Hasil Pencarian  ::  Simpan CSV :: Kembali

"Setiap proses pembelajaran formal memerlukan evaluasi berupa ujian. Ujian dalam bentuk esai merupakan bentuk ujian yang lebih baik dibandingkan dengan metode ujian lainnya. Pada sistem pembelajaran e-learning komputer harus dapat digunakan sebagai alat untuk menyelenggarakan ujian esai atau dengan kata lain komputer harus dapat digunakan sebagai penilai esai secara otomatis (automated essay grading). Telah banyak metode yang dikembangkan sebagai penilai esai otomatis dan salah satunya adalah Latent Semantic Analysis (LSA). Dalam melakukan penilaian esai secara otomatis, metode LSA mempunyai ciri khas hanya mementingkan kata-kata yang terkandung di dalam sebuah teks tanpa memperhatikan karakteristik linguistiknya. Pada LSA, kata-kata direpresentasikan ke dalam sebuah matriks semantik dan kemudian diolah secara matematis menggunakan teknik aljabar linier Singular Value Decomposition (SVD). Pada metode LSA, dapat digunakan 2 cara untuk membandingkan matriks hasil SVD, yaitu normalisasi Frobenius dan Cosinus Alpha. Untuk mengetahui cara mana yang dapat memberikan hasil lebih optimal jika diterapkan pada LSA, maka diperlukan suatu perbandingan unjuk kerja dari keduanya. Skripsi ini merancang, mengimplementasikan, menguji serta menganalisa suatu sistem penilaian esai otomatis dengan metode LSA mempergunakan normalisasi Frobenius dan Cosinus Alpha. Dari hasil pengujian dan analisa yang telah dilakukan, diketahui bahwa metode LSA mempergunakan Cosinus Alpha memberikan unjuk kerja yang lebih baik dibandingkan dengan metode LSA mempergunakan normalisasi Frobenius. Korelasi LSA dengan Cosinus Alpha berkisar antara 0.94 - 0.99 sedangkan korelasi LSA dengan normalisasi Frobenius berada sekitar 0.89 - 0.94. Selain itu juga diketahui bahwa jumlah pemotongan kata berpengaruh terhadap proses SVD pada LSA."

"Di dalam proses pembelajaran, seorang pengajar tentunya membutuhkan tolak ukur yang mengindikasikan tingkat penyerapan murid-muridnya atas proses belajar mengajar yang terjadi dengan melakukan ujian, baik dengan format pilihan ganda, isian singkat, maupun esai. Dari kesemua format yang ada, ujian esai lah yang dianggap paling mampu merepresentasikan tingkat pemahaman siswanya. Namun ujian esai tersebut memiliki keterbatasan di dalam penilaian ujiannya. Sementara itu. sistem penilaian yang menggunakan komputer sampai saat ini masih terbatas untuk ujian pilihan ganda. Oleh karena itu, pada skripsi ini akan dikembangkan sistem aplikasi penilaian esai otomatis dengan menggunakan metode penilaian Latent Semantic Analysis (LSA) yang berbasis web. Metode LSA dipilih karena dalam menilai ujian hanya menitikberatkan pada kata-kata yang terkandung di dalam tulisan tanpa memperhatikan karakteristik linguistiknya. Di dalam pengembangan sistem ini, program aplikasi sistem dibagi menjadi beberapa modul. Sedangkan untuk pengembangan keamanan sistem, diterapkan aplikasi session dan cookie agar akses ke dalam sistem lebih terkontrol serta teknik enkripsi SHA-1 pada password user agar password seseorang tidak dapat diketahui oleh siapapun. Pengujian kecepatan akses dilakukan pada sistem dengan tujuan untuk melihat tingkat performa dari sistem yang telah dibuat. Pengujian dilakukan dengan memvariasikan panjang jawaban, jumlah kata kunci, dan jumlah soal. Dari hasil pengujian didapatkan bahwa pengaruh jumlah kata kunci dan panjang kalimat jawaban terhadap kecepatan akses sistem adalah antara 4e pangkat -3 - 0,8 ms, sedangkan pertambahan sebuah soal pada satu ujian akan mengakibatkan pertambahan waktu akses sebesar 1 detik. Sedangkan implementasi peningkatan keamanan sistem telah berjalan dengan baik."

"Penelitian mengenai sistem penilai jawaban esai sudah pernah dilakukan dengan metode Latent Semantic Analysis (LSA). Salah satu keterbatasan yang dialami adalah keterbatasan dokumen training untuk mengoptimalkan hasil LSA. Dengan keterbatasan tersebut penggunaan Vector Space Model (VSM) dapat dipertimbangkan. Penelitian ini membandingkan LSA dan VSM untuk menilai jawabanbentuk esai serta meneliti pengaruh pemotongan imbuhan dan perluasan kunci jawaban terhadap efektifitas sistem. Uji coba dilakukan dengan 13 soal esai dengan 42 peserta ujian. Secara keseluruhan, rata-rata korelasi nilai VSM-manusia lebih tinggi dari LSA-manusia.

---

Research in automated essay scoring system has been done using Latent Semantic Analysis (LSA) method. One of the limitations is the lack of training documents to optimize LSA results. Regarding such limitation, the use of Vector Space Model (VSM) can be considered. This research aims to compare LSA and VSM to score essay answer and to investigate the effect of stemming and query expansion toward the effectiveness of the system. Experiments are done with 13 problems with 42 test participants. Overall results show that average correlation of score between VSM-human is higher than LSA-human."

"Sistem penilaian yang dilakukan oleh penilai manusia untuk menilai jawaban essay dalam jumlah besar dirasakan kurang efisien. Hal ini disebabkan karena penilai manusia memiliki keterbatasan fisik yang tidak dapat dihindari. Untuk meningkatkan efisiensi perlu dibuat suatu sistem penilaian yang pemeriksaannya cepat dan obyektifitias tetap terjaga. Pada tugas skripsi ini dilakukan perancangan dan implementasi interface software sistem penilaian essay otomatis serta aplikasi keamanan pada databasenya. Program aplikasi sistem penilaian essay otomatis ini berfungsi untuk menilai essay secara otomatis dengan menggunakan metode Latent Semantic Analysis atau LSA. Metode LSA adalah teori atau metoda untuk menyalin dan merepresentasikan arti kalimat dengan perhitungan matematis atau statistik. LSA mengkonversi essay ke dalam matriks. Setiap kata dalam paragraf kalimat direpresentasikan sebagai baris dan kolom matriks. Dengan menggunakan teknik matrik aljabar SVD (Singular Value Decomposition) dan normalisasi Frobenius. Selanjutnya sistem penilaian essay otomatis metode LSA ini diaplikasikan pada software berbasis web. Pada perancangannya sistem penilaian essay otomatis ini berupa algoritma yang terbagi menjadi beberapa bagian, dengan menggunakan bahasa UML (Unified Modelling Language). Dengan menggunakan metode ini maka interface user dapat dirancang secara lebih efisien dan terstruktur, mulai dari struktur program utama sampai kepada struktur program yang lebih spesifik di dalamnya. Faktor keamanan database diimplementasikan melalui proses enkripsi MD5 bagi password user dan aplikasi session pada aplikasi untuk mencegah user mengakses halaman yang bukan haknya. Dengan menggunakan enkripsi MD5 maka password user dapat lebih terproteksi, karena dengan enkripsi ini, input password user dengan panjang dan karakter yang bervariasi dapat diubah menjadi bit hexadesimal dengan panjang yang tetap dan merupakan proses satu arah (tidak reversibel). Sedangkan dengan menggunakan aplikasi session maka akses user pada sistem menjadi lebih terkontrol dan mencegah penggunaan sistem yang tidak semestinya. Untuk menguji performa dari sistem aplikasi ini dilakukan beberapa pengujian. Pengujian dilakukan dengan tujuan untuk mengetahui kecepatan sistem dalam melakukan proses penghitungan jawaban essay dengan menggunakan metode LSA, dengan cara memasukkan variasi panjang jawaban, jumlah kata kunci dan jumlah soal pada proses. Dari pengujian didapatkan bahwa jumlah soal, jumlah kata kunci dan panjang jawaban mempengaruhi kecepatan proses, semakin banyak jumlah soal, jumlah kata kunci dan panjang jawaban maka waktu proses yang dibutuhkan sistem juga semakin bertambah (hubungan positif) dengan korelasi sebesar 0,445872325 sampai 0,984473824."

"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."

"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."

"Sistem penilaian yang dilakukan oleh penilai manusia untuk menilai jawaban essay dalam jumlah besar dirasakan kurang efisien. Hal ini disebabkan karena penilai manusia memiliki keterbatasan fisik yang tidak dapat dihindari. Jika hanya menggunakan satu orang penilai, memang obyektifitas terjaga, namun waktu pemeriksaan menjadi lama. Jika menggunakan banyak orang penilai, waktu dalam memeriksa menjadi cepat, namun obyektifitas tidak terjaga. Oleh karena itu, untuk meningkatkan efisiensi periu dibuat suatu sistem penilaian yang pemeriksaannya cepat dan obyektifitias tetap terjaga. Dalam skripsi ini dilakukan perancangan dan implementasi software penilaian essay otomatis dengan menggunakan salah satu metode penilaian essay otomatis yaitu Latent Semantic Analysis (LSA). Metode ini mengonversi kalimat ke dalam bentuk matriks untuk kemudian dilakukan perhitungan. Perhitungan dilakukan dengan menggunakan Singular Value Decomposition (SVD) dimana matriks didekomposisi menjadi tiga komponen matriks, yaitu dua matriks orthogonal dan satu matriks diagonal singular. Kemudian dilakukan reduksi terhadap matriks diagonal singular-nya sehingga menjadi berdimensi dua, dan transpose matriks untuk salah satu matriks orthogonalnya. Setelah itu dilakukan rekonstruksi matriks awal dengan cara mengalikan kembali tiga komponen matriks yang sudah diolah tersebut. Proses penilaian diambil dari perbandingan normalisasi Frobenius antara matriks jawaban dengan matriks referensi yang sudah direkonstruksi. Pada perancangannya, sistem penilaian essay otomatis ini berupa algoritma yang terbagi menjadi beberapa bagian, diantaranya yaitu program utama, sub program, dan bagian program terperinci diantaranya program konversi jawaban ke matriks, dan program perhitungan SVD. Agar dapat dikembangkan sehingga dapat digunakan melalui jaringan internet, program ini didesain dengan menggunakan aplikasi web. Implementasi dari sistem dilakukan pada sebuah komputer sekaligus merupakan server dan client. Agar sistem dapat berjalan dengan baik, maka diinstal beberapa program diantaranya Apache Server, MySQL Server, PHP, dan Matlab. Untuk menguji performa dari sistem aplikasi ini dilakukan beberapa pengujian. Pengujian dilakukan dengan tujuan untuk mengetahui bagaimana korelasi antara nilai jawaban mahasiswa yang dihasilkan dengan menggunakan metode LSA, dengan nilai jawaban mahasiswa yang dihasilkan oleh human rater. Dari pengujian didapatkan nilai korelasi antara penilaian otomatis yang menggunakan metode LSA dengan penilaian yang dilakukan oleh human rater ialah sebesar 0,86 - 0,96."

"Pada togas akhir ini dilakukan perancangan dan implementasi software sistem penilaian essay otomatis. Program aplikasi sistem penilaian essay otomatis ini berfungsi untuk menilai essay secara otomatis dengan menggunakan metode Latent Semantic Analysis atau LSA. Metode Latent Semantic Analysis (LSA) adalah teori atau metoda untuk menyalin dan merepresentasikan arti kalimat dengan perhitungan matematis atau statistik. LSA mengkonversi essay ke dalam matriks. Setiap kata dalam paragraf kalimat direpresentasikan sebagai bans dan kolom matriks. Dengan menggunakan teknik matrik aljabar SVD (Singular Value Decomposition), matrik didekomposisi menjadi tiga komponen matrik, yaitu dua matriks orthogonal dan satu matriks diagonal singular. Proses penilaian diambil dari perbandingan normalisasi Frobenius nilai singular positif atau tidak nol padakomponen diagonal matriks referensi dan matriks jawaban. Selanjutnya sistem penilaian essay otomatis metode LSA ini diaplikasikan pada software berbasis web dengan alasan bahwa perkembangan teknologi intemet telah membuat perbedaan jarak dan waktu menjadi seperti tidak berarti lagi, hal ini tentunya sangat efisien untuk program aplikasi seperti sistem penilaian essay otomatis ini karena yang diuji tidak harus ada di satu tempat dan waktu yang bersamaan, tetapi mereka bisa mengakses dari tempatnya masing-masing. Pada perancangannya sistem penilaian essay otomatis ini berupa algoritma yang terbagi menjadi beberapa bagian, diantaranya yaitu program utama, sub program, dan bagian program terperinci. Dan sistem penilaian essay otomatis ini diimplementasikan pada software berbasis web yang berintegrasi dengan web server sebagai media koneksi, database server sebagai media penyimpanan, dan software matematis sebagai tempat pemprosesan aljabar Singular Value Decomposition yang merupakan metode dari Latent Semantic Analysis atau LSA."