HIDAYAH, Alfarizi (2025) Automatic Feedback untuk Jawaban Soal Uraian Singkat Berbahasa Indonesia Menggunakan Arsitekrur DistilBART. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (34kB)
	Text 2. HALAMAN PERNYATAAN KEASLIAN SKRIPSI.pdf Download (92kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (82kB)
	Text 4. KATA PENGANTAR.pdf Download (86kB)
	Text 6. ABSTRAK.pdf Download (11kB)
	Text 7. ABSTRACT.pdf Download (7kB)
	Text 8. DAFTAR ISI.pdf Download (83kB)
	Text 11. BAB I.pdf Download (95kB)

Abstract

Evaluasi pembelajaran adalah aspek penting dalam dunia pendidikan dalam mengukur
pemahaman siswa dan pada saat yang sama meningkatkan kualitas proses pendidikan. Salah
satu tantangan utama adalah memberikan feedback yang berguna tentang penjelasan
mengenai kekurangan jawaban siswa yang membutuhkan subjektivitas tinggi dari pendidik.
Feedback yang tepat dan konstruktif dapat meningkatkan pemahaman mahasiswa tentang
konsep, materi pembelajaran, dan keterampilan kritis. Untuk mengatasi hal ini, teknologi
Natural Language Processing (NLP) dengan pendekatan text generation seperti arsitektur
BART-Large telah diadopsi untuk mengotomatisasi evaluasi. Namun, arsitektur besar seperti
BART-Large memerlukan dilatih secara khusus pada dataset berskala besar, sehingga kurang
efisien untuk penelitian dengan dataset dalam jumlah kecil. Oleh karena itu, penelitian ini
mengusulkan untuk mengembangkan model Automatic Feedback untuk jawaban soal uraian
singkat berbahasa Indonesia menggunakan arsitektur DistilBART, versi terdistilasi dari
BART yang lebih ringan namun tetap mempertahankan kinerja model aslinya. Penelitian
melakukan eksperimen pada pelatihan model automatic feedback dengan berbagai
konfigurasi threshold similarity, batch size, dan learning rate untuk menemukan konfigurasi
optimal yang menghasilkan feedback lebih akurat dan relevan. Eksperimen menggunakan
DistilBART dibandingkan dengan BART-Large menunjukkan bahwa DistilBART lebih
efisien dalam inferensi dan memberikan akurasi feedback lebih tinggi. Hasil evaluasi
menunjukkan bahwa DistilBART unggul dalam metrik BLEU (0,1650) dan METEOR
(0,4166). Sedangkan BART-Large memiliki performa lebih tinggi pada metrik ROUGE-L
(0,4430) pada dataset Sistem Cerdas. Begitu juga untuk dataset MPI, hasil ini menegaskan
bahwa DistilBART lebih akurat dan efisien dibandingkan BART-Large dalam memberikan
feedback secara otomatis untuk jawaban soal uraian singkat berbahasa Indonesia.
Kata kunci: Jawaban soal uraian singkat, Automatic Feedback, Arsitektur DistilBART,
Arsitektur BART-Large, BLEU, ROUGE, METEOR

Actions (login required)

View Item