Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam penelitian ini membahas mengenai rancangan sistem penilaian ujian lisan (SIPENILAI) otomatis pada bahasa Jepang menggunakan algoritma rabin karp. Algoritma rabin karp merupakan algoritma yang digunakan untuk melakukan pencarian dan perhitungan jumlah kata yang sama dalam setiap kata kunci yang dilakukan perbandingan. Algoritma rabin karp digunakan karena mempunyai kelebihan yaitu dapat melakukan pencocokan string yang bervariasi dengan lama waktu yang cepat. Algoritma rabin karp melakukan pencocokan string berdasarkan nilai hash pada teks dan nilai hash pada pola. Input pada sistem ini ialah berupa suara yang akan diubah menjadi teks bahasa Jepang dengan menerapkan proses romanisasi untuk mengubah karakter ke bentuk romaji. Pada sistem ini, algoritma rabin karp menerapkan model Bahasa N-gram. Sistem penilaian ujian lisan (SIPENILAI) otomatis ini dilakukan pengujian pertama dengan menggunakan Google Speech API dengan variasi parameter terbaik n=2 dan p=2 dan perhitungan cosine similarity yang diuji oleh 43 mahasiswa yang menghasilkan akurasi sebesar 88.35%. Dalam melakukan penilaian, sistem berjalan dengan kecepatan rata-rata sebesar 337.05 millisecond atau 0.337 second.

---

This research discusses design of automatic grading system for Japanese-Language examination (SIPENILAI) using rabin karp algorithm. Rabin-Karp algorithm is used to search and calculate the same number of words in each keyword that is compared. Rabin Karp algorithm has the advantage that can perform string matching that varies with a very fast time. Rabin-Karp algorithm perform string matching hash value based on the text and the pattern hash value. The system receives speech or voice input, then it is converted into Japanese text with Google speech recognition. In this system, Rabin Karp algorithm applies N-gram Language model. The accuracy rate for SIPENILAI were tested by 43 students is 88.35% by using Google Speech API, by using best variation of parameters n=2 and p=2 and cosine similarity. The system executes processes with an average speed of 337.05 milliseconds or 0.337 seconds."

"Penelitian ini membahas tentang pengembangan sistem penilaian ujian lisan (SIPENILAI) pengucapan bahasa Jepang menggunakan algoritma winnowing. Winnowing merupakan algoritma dengan basis fingerprint yang digunakan untuk mengukur tingkat kemiripan teks. Masukan sistem penilaian ujian lisan (SIPENILAI) adalah suara yang pada proses selanjutnya diubah dalam bentuk teks dengan speech recognition Julius. Keluaran Julius adalah teks berkarakter Jepang. Pada teks tersebut dilakukan proses romanisasi untuk mengubah karakter ke bentuk romaji. Pemodelan bahasa N-gram diterapkan pada algoritma winnowing dan Julius. Sistem penilaian menggunakan variasi parameter winnowing n=2, p=2 dan w=2 dan perhitungan cosine similarity yang menghasilkan akurasi sebesar 91,94%. Diamati faktor-faktor yang mempengaruhi akurasi setiap pengguna. Dalam melakukan penilaian, sistem berjalan dengan kecepatan sebesar 35,49 KB/s.

---

This research discusses the development of oral examination grading system (SIPENILAI) for Japanese pronunciation using winnowing algorithm. Winnowing is a fingerprint-based algorithm that is used to measure text similarity rate. The oral examination grading system (SIPENILAI) receives speech input, then it is converted into text with Julius speech recognition. The output of Julius is text with Japanese characters. Romanization process is carried out to convert the Japanese character to the romaji form. N-gram language modeling is applied to winnowing algorithm and Julius. The accuracy rate is 91,94% by using n = 2, p = 2 and w = 2 winnowing parameters and cosine similarity. In this research, factors that influence the accuracy rate are observed. The system executes the process with speeds of 35,49 KB/s."

" E-learning dalam dunia pendidikan sudah banyak diterapkan untuk meningkatkan mutu pendidikan salah satunya adalah penggunaan e-learning pada pengujian akademis baik ujian pilihan ganda, esai, dan lisan. Proses penilaian jawaban ujian mahasiswa masih secara manual maka dari itu, penilitian membahas pengembangan Sistem Penilaian Ujian Lisan atau SIPENILAI dalam bahasa Jepang dengan menerapkan API google speech recognition dan metode LSA. SIPENILAI merupakan sistem yang dikembangkan oleh Departemen Teknik Elektro yang bertujuan untuk menilai ujian lisan secara otomatis. Speech recognition yang akan diterapkan memakai API google speech recognition yang merupakan API yang digunakan untuk mendeteksi suara yang kemudian diubah menjadi teks. Algoritma LSA merupakan metode yang digunakan untuk menganalisa kemiripan antara kalimat dengan dokumen jawaban dari pengajar. Kata dalam kalimat akan disusun menjadi matriks kemudian diproses dengan SVD (Singular Value Decomposition) dan diukur kemiripan antara kalimat dengan dokumen jawaban menggunakan Frobenius Norm. Dari pengujian yang telah dilakukan SIPENILAI dapat mencapai rata-rata akurasi sebesar 83.64% untuk pengguna fasih dan 76.89% untuk pengguna tidak fasih.

---

E-learning in the world of education has been widely applied to improve the quality of education one of which is the use of e-learning in academic testing both multiple choice exams, essays, and oral. The process of evaluating student exam answers is still manual and therefore the research, discussing the development of the Oral Examination Assessment System or SIPENILAI in Japanese by implementing Google API speech recognition and LSA methods. SIPENILAI is a system developed by the Department of Electrical Engineering which aims to assess oral examinations automatically. Speech recognition that will be implemented using Google API speech recognition which is an API that is used to detect sound which is then converted into text. LSA algorithm is a method used to analyze the similarity between sentences and the document answers from the teacher. The words in the sentence will be arranged into a matrix and then processed with SVD (Singular Value Decomposition) and measured the similarity between the sentence with the answer document using Frobenius Norm. From testing that has been done, SIPENILAI can reach an average accuracy of 83.64% for fluent users and 76.89% for non-fluent users."

"Skripsi ini membahas rancangan dan pengembangan sistem penilaian esai otomatis untuk ujian Bahasa Jepang dengan bentuk isian singkat/esai. Sistem dirancang dengan model hybrid MLP (Multilayer Perceptron) dengan Particle Swarm Optimization. Sistem ditulis dalam bahasa pemrograman Python. Penilaian otomatis dilakukan dengan membandingkan jawaban mahasiswa dan jawaban dosen berdasarkan jarak kemiripan menggunakan Manhattan Distance. Model Hybrid MLP akan digunakan untuk menghasilkan vektor jawaban agar dapat dibandingkan dan dinilai. Dari variasi model yang diuji, variasi yang terbukti memiliki performa terbaik adalah variasi dengan model MLP yang dilatih secara backpropagation dengan optimizer Adam dengan learning rate sebesar 0.000001, fungsi loss categorical-crossentropy, dan dilatih selama 50 epoch. Model mendapatkan tingkat persentase eror sebesar 21.85% untuk rata-rata nilai prediksi dibandingkan dengan nilai yang diberikan oleh dosen.

---

This thesis discusses and explore the designs and development of Automatic Essay Grading System using combination of Multilayer Perceptron with Particle Swarm Optimization. The program is being developed with Python programming language. The system compares the matrix vector of the student’s answer with the key answer using Manhattan Distance. Out of all the variations that are tested, the model that is proven to be the most stable is the MLP model that are trained with Backpropagation with loss function crosscategorical-crossentropy and Adam optimizer with learning rate of 0.000001. The model achieves an error percentage of 21.85% for the average grade predicted compared to the actual grade."

"Dalam tesis ini dikembangkan Sistem Penilaian Ujian Lisan (SIPENILAI) dalam bahasa Jepang. SIPENILAI memiliki 3 fitur utama: Kata yang Cocok, Fitur Menjawab Pertanyaan, dan Fitur Esai. Skripsi ini akan membahas dan memberikan disain terkait penggunaan Julius sebagai pengenal pidato dan LSA sebagai metode penilaian untuk mendapatkan akurasi dalam fitur esai. Julius menggunakan metode N-gram sebagai algoritma pengenalan suara. LSA menggunakan norma SVD dan forterenius untuk mendapatkan nilai dari jawaban atas referensi. Tesis ini juga membahas tentang faktor-faktor yang dapat mempengaruhi hasil penilaian dan kinerja sistem. Pengujian dilakukan terhadap 12 responden dengan kefasihan dan jenis kelamin yang berbeda untuk mengetahui faktor-faktor yang dapat mempengaruhi hasil penilaian dan kinerja sistem. Hasil akurasi sistem adalah 84.89% dan kecepatan sistem 63.01 KB/s. Faktor kefasihan dapat mempengaruhi keakuratan dan kecepatan sistem, sedangkan jenis kelamin tidak berpengaruh. Secara keseluruhan, SIPENILAI dapat menjadi sistem yang digunakan untuk melakukan penilaian ujian lisan pada fitur esai bahasa Jepang.

---

In this thesis, the Oral Exam Assessment System (SIPENILAI) is developed in Japanese. SIPENILAI has 3 main features: Word Match, Question Answering Feature, and Essay Feature. This thesis will discuss and provide designs related to the use of Julius as a speech recognition and LSA as an assessment method to obtain accuracy in essay features. Julius uses the N-gram method as a speech recognition algorithm. The LSA uses the SVD and forterenius norms to get values ​​from answers to references. This thesis also discusses the factors that can affect the results of the assessment and system performance. Tests were conducted on 12 respondents with different fluency and gender to determine the factors that could affect the results of the assessment and system performance. The result of system accuracy is 84.89% and system speed is 63.01 KB/s. The fluency factor can affect the accuracy and speed of the system, while gender does not. Overall, CIVIL ASSESSMENT can be a system used for conducting oral exam assessments on the Japanese essay feature."

"NTRU adalah sebuah lattice-based public key cryptosystem yang didesain oleh Hoffstein, Pipher, dan Silverman pada tahun 1996. NTRU dipublikasikan pada Algorithmic Number Theory Symposium (ANTS) pada tahun 1998. Pada tahun 2008 NTRU ANTS’98 ditetapkan sebagai standar dalam IEEE untuk teknik public key cryptography berbasis hard problem pada lattice. NTRU kemudian dikembangkan kembali oleh NTRU Inc. sejak tahun 2018 dan menjadi salah satu finalis pada round 3 kompetisi pemilihan standar post-quantum cryptography yang diselenggarakan oleh NIST pada tahun 2020. Secara umum terdapat 2 jenis algoritma yang diajukan oleh NTRU dalam proses seleksi round 3 jika diklasifikasikan berdasarkan penentuan parameternya, yaitu NTRU-HPS (Hoffstein, Pipher, Silverman) dan NTRU-HRSS (Hulsing, Rijnveld, Schanck, Schwabe). Percobaan algebraic cryptanalysis terhadap NTRU ANTS’98 sudah pernah dilakukan pada tahun 2009 dan 2012.Dalam penelitian ini, dilakukan algebraic cryptanalysis terhadap NTRU-HPS dengan, (ntruhps2048509) serta NTRU-HRSS dengan (ntruhrss701). Tujuan dari penelitian ini adalah untuk mengevaluasi ketahanan algoritma NTRU-HPS dan NTRU-HRSS terhadap algebraic cryptanalysis dengan melakukan rekronstruksi nilai private key. Dari hasil penelitian didapatkan bahwa NTRU-HPS dan NTRU-HRSS tahan terhadap algebraic cryptanalysis.

---

NTRU is a lattice-based public-key cryptosystem designed by Hoffstein, Pipher, and Silverman in 1996. NTRU published on Algorithmic Number Theory Symposium (ANTS) in 1998. The ANTS’98 NTRU became the IEEE standard for public key cryptographic techniques based on hard problems over lattices in 2008. NTRU was later redeveloped by NTRU Inc. since 2018 and became one of the finalists in round 3 of the PQC (Post-Quantum Cryptography) standardization process organized by NIST in 2020. There are two types of NTRU algorithms proposed by NTRU Inc., which are classified based on parameter determination, NTRU-HPS (Hoffstein, Pipher, Silverman) and NTRU-HRSS (Hulsing, Rijnveld, Schanck, Schwabe). Algebraic cryptanalysis on ANTS’98 NTRU had previously been carried out in 2009 and 2012.

In this paper, algebraic cryptanalysis is performed on NTRU-HPS with, (ntruhps2048509) and NTRU-HRSS with (ntruhrss701). This study aims to evaluate the resistance of NTRU-HPS and NTRU-HRSS algorithms against algebraic cryptanalysis by reconstructing the private key value. As a result, NTRU-HPS and NTRU-HRSS are resistant to algebraic cryptanalysis."

"ABSTRAKSistem Penilaian Ujian Lisan (SIPENILAI) merupakan pengembangan dari Sistem Penilaian Esai Otomatis (Simple-O) yang membuat metode menjawab soal dapat dilakukan secara lisan. Sistem ini menggunakan input suara dalam Bahasa Jepang, lalu suara tersebut dikonversi menjadi teks menggunakan bantuan dari engine bernama Julius. Selanjutnya teks dibandingkan dengan kunci jawaban untuk dilakukan scoring menggunakan algoritma Latent Semantic Analysis (LSA). Pada skripsi ini terdapat tiga pengujian yang dilakukan yaitu uji keakuratan Julius, uji keakuratan SIPENILAI, serta uji kecepatan SIPENILAI. Ketiga uji coba tersebut menggunakan variasi jawaban yang berbeda-beda, namun pengucapnya tetap sama. Setelah dilakukan uji coba dan analisis diperoleh nilai akurasi Julius sebesar 77.92, nilai akurasi SIPENILAI sebesar 75.43, dan nilai kecepatan rata-ratanya sebesar 45.63 KB s.

---

ABSTRACTThe Oral Examination Assessment System (SIPENILAI) is the development of the Automatic Essay Assessment System (Simple-O) that makes the method of answering questions can be done orally. This system uses voice input in Japanese, then the sound is converted to text using the help of an engine named Julius. Furthermore, the text is compared with the answer key for scoring using the Latent Semantic Analysis (LSA) algorithm. In this thesis, there are three tests carried out, the accuracy test of Julius, the accuracy test of SIPENILAI, and the speed test of SIPENILAI. The three tests used a variety of different answers, but the speaker remained the same. After testing and analysis, the accuracy value of Julius was 77.92, the accuracy of SIPENILAI was 75.43, and the average speed was 45.63 KB s."

"SIMPLE-O atau Sistem Penilaian Esai Otomatis merupakan sebuah proyek yang dikembangkan oleh Departemen Teknik Elektro, Universitas Indonesia sejak tahun 2007. Penelitian ini membahas penerapan algoritma winnowing dan algoritma ASCII-Based Hashing pada pengembangan SIMPLE-O untuk ujian bahasa Jepang. Sistem dikembangkan dengan menggunakan bahasa pemrograman Python. Beberapa penelitian sebelumnya pernah menggunakan algoritma winnowing untuk mengembangkan SIMPLE-O. Namun yang membedakannya pada penelitian ini adanya penggantian algoritma hashing yang biasa digunakan, yaitu dari Rolling Hash menjadi algoritma ASCII-Based Hashing. Algoritma hashing tersebut termasuk kedalam algoritma LSH (Locality-sensitive hashing). Proses penilaian membutuhkan dua data input, yaitu jawaban mahasiswa (peserta ujian) dan kunci jawaban dosen. Kedua data input yang masih dalam bahasa Jepang akan diromanisasi menjadi teks romaji (huruf latin), setelah itu akan diproses oleh algoritma winnowing dan algoritma hashing untuk menghasilkan fingerprint. Maksud dari penelitian ini adalah untuk mencoba mendapatkan akurasi sistem yang paling tinggi. Dari hasil penelitian, didapatkan rata-rata akurasi nilai total sistem sebesar 87.10% jika parameter winnowing untuk setiap data input diseragamkan (n = 2 dan w = 2). Akurasi tersebut mengalami peningkatkan sebesar 0.24% dari hasil penelitian sebelumnya yang bernilai 86.86%. Namun jika parameter winnowing disesuaikan menggunakan nilai kombinasi yang paling terbaik, maka rata-rata akurasi nilai total sistem yang didapatkan adalah 92.74%. Akurasi tersebebut mengalami peningkatan sebesar 1.82% dari hasil penelitian sebelumnya yang bernilai 90.92%. Untuk akurasi total per mahasiswa dapat mencapai 99.95%, dan akurasi pernomor untuk tiap sampel mahasiswa berkisar dari 69.55% hingga 100%.

---

SIMPLE-O or Automated Essay Grading System is a project developed by the Department of Electrical Engineering, University of Indonesia since 2007. This research discusses the implementation of the winnowing algorithm and the ASCII-Based Hashing algorithm in the development of SIMPLE-O for the Japanese language exam. The system was developed using the Python programming language. Several previous research have used the winnowing algorithm to develop SIMPLE-O. But what distinguishes it in this research is the replacement of the hashing algorithm that is commonly used, namely from Rolling Hash to ASCII-Based Hashing algorithm. ASCII-Based Hashing is one of the LSH (Locality-sensitive hashing) algorithm. The grading process requires two input data, namely the examinee's answers and lecturers' answer keys. The two-input data that are still in Japanese will be romanized into romaji text (Latin letters), after that it will be processed by the winnowing algorithm and hashing algorithm to generate fingerprints. The purpose of this research is to try to get the highest system accuracy. From the research results. The average accuracy of the total system value is 87.10% if the winnowing parameters for each input data are equated (n = 2 and w = 2). The accuracy increased by 0.24% from the results of previous research which were worth 86.86%. However, if the winnowing parameter is adjusted using the best combination value, then the average accuracy of the total system value obtained is 92.74%. The accuracy has increased by 1.82% from the results of previous research which were worth 90.92%. The total accuracy of each student can reach 99.95%, and the accuracy of each number for each student sample ranges from 69.55% to 100%."

"Departemen Teknik Elektro Fakultas Teknik Universitas Indonesia telah mengembangkan Sistem Penilaian Esai Otomatis Simple-O berbasis Latent Semantic Analysis LSA sejak tahun 2007. Pada awalnya, Simple-O hanya dikembangkan untuk mengoreksi ujian esai berbahasa Indonesia, namun kali ini dikembangkan untuk mengoreksi ujian esai berbahasa Jepang. Simple-O hanya menggunakan algoritma LSA saat pertama kali dikembangkan. Beberapa tahun setelahnya, Simple-O mulai dikembangkan menggunakan algoritma LSA dilengkapi dengan algoritma klasifikasi seperti Learning Vector Quantization LVQ dan Support Vector Machine SVM. Simple-O juga mulai dikembangkan menggunakan algoritma lain seperti Winnowing.Pada skripsi ini akan dijelaskan tentang pengembangan sistem penilaian esai otomatis Simple-O untuk ujian esai berbahasa Jepang menggunakan algoritma LSA untuk pemrosesan kata, serta menggunakan algoritma Support Vector Machine SVM untuk klasifikasinya. Algoritma SVM merupakan suatu algoritma pembelajaran yang berfungsi untuk menentukan bidang pemisah hyperplane dari sekumpulan data baik yang linearly separable, maupun yang non-linearly separable. SVM akan memisahkan data nilai hasil proses LSA ke dalam dua kelas untuk variasi kelas pertama, dan akan memisahkan data nilai hasil proses LSA ke dalam sembilan kelas untuk variasi kelas kedua. Jenis kernel dan parameter juga divariasikan untuk menemukan jenis kernel, parameter, dan jumlah kelas yang tepat. Hasil dari analisis dan pengujian yang telah dilakukan, apabila menggunakan jenis kernel, parameter, dan variasi kelas yang tepat, SVM mampu menghasilkan akurasi sebesar 100.

---

Department of Electrical Engineering in Universitas Indonesia has developed an automatic essay grading system Simple O based on Latent Semantic Analysis LSA since 2007. At first, Simple O was developed for giving score to essay with Indonesian language, but now Simple O is developed for giving score to essay with Japanese language. Simple O used to be developed using LSA algorithm only. A few years later, Simple O began to be developed using LSA algorithm and some classification algorithm such as Learning Vector Quantization LVQ and Support Vector Machine SVM. Simple O began to be developed using another algorithm too such as Winnowing algorithm.

This thesis will explain about development of automatic essay grading system Simple O for essay with Japanese language using LSA as word processing algorithm, and SVM as classification algorithm. SVM is a learning algorithm for determining hyperplane from set of linearly separable data as well as non linearly separable data. SVM will separate output data of LSA into two class for the first class variation and will separate output data of LSA into nine class for the second class variation. Kernel type and parameter will be varied too to find the right kernel, parameter, and number of classes. From the results of analysis and test that have been done, SVM is able to obtain accuracy of 100 if the system uses the right kernel, parameter, and number of classes."

"Algorithmic Trading (AT) telah menjadi salah satu alternatif strategi berinvestasi yang telah banyak digunakan di berbagai pasar finansial di dunia. Salah satu dampak yang muncul terhadap penggunaan AT ini adalah meningkatnya likuiditas pasar modal yang ditunjukkan dengan tren meningkatnya frekuensi dan value perdagangan. Pada penelitian ini, dilakukan analisis terhadap karakteristik perdagangan dari member Bursa Efek Indonesia yang telah menerapkan AT. Ternyata, value perdagangan yang ditunjukkan oleh member AT tersebut menunjukkan telah meliputi hampir 50% dari value total perdagangan. Tren ini berlaku baik secara harian, pada setiap sesi perdagangan, dan untuk 15 menit awal dan 15 menit akhir perdagangan. Selain itu, AT juga berdampak negatif terhadap turnover value market dan market return. Penerapan AT juga berdampak terhadap terhadap semakin meningkatnya efisiensi pembentukan price. Hal ini dibuktikan dengan korelasi positif antara penerapan AT dengan komponen permanen price dan berkorelasi negative dengan komponen transitory price.

---

Algorithmic trading (AT) has become one of most popular of investment strategy that has been used in many stock exchange in the world. Because of its implementation, liquidity in many stock exchanges has increased dramatically. It has been found that the value and frequency of trading has increased as the proof of liquidity growth. With this thesis, it is proved that the value of AT in IDX has become 50% of total value of trading. It happens in daily trading, in every session, in critical time of trading, that is 15 menit in the beginning and 15 menit befor closing. Beside that, the implementation of AT has negative impact on turnover value market and market return. In term of price discovery, AT has contributed through the permanent component of price, but in the opposite direction of transitory price."