Automated Short Answer Grading Pada Pertanyaan Uraian Berbahasa Indonesia Tanpa Kunci Jawaban Menggunakan Sentence-Bert Dan Meta-Learning

SIBURIAN, Aprilyanto Setiyawan (2025) Automated Short Answer Grading Pada Pertanyaan Uraian Berbahasa Indonesia Tanpa Kunci Jawaban Menggunakan Sentence-Bert Dan Meta-Learning. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (173kB)
	Text 2. HALAMAN PERNYATAAN KEASLIAN SKRIPSI.pdf Download (514kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (551kB)
	Text 4. KATA PENGANTAR.pdf Download (752kB)
	Text 6. ABSTRAK.pdf Download (143kB)
	Text 7. ABSTRACT.pdf Download (143kB)
	Text 8. DAFTAR ISI.pdf Download (159kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (200kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (168kB)

Abstract

Penilaian soal uraian manual merupakan proses yang subjektif dan membebani pendidik.
Sebagai solusi, sistem Automated Short Answer Grading (ASAG) dikembangkan, namun
ketergantungan pada kunci jawaban menjadi penghalang utama, khususnya untuk Bahasa
Indonesia. Penelitian ini mengajukan sebuah solusi inovatif: sistem ASAG yang beroperasi
tanpa kunci jawaban dengan memanfaatkan kekuatan generalisasi dari meta-learning.
Sistem ini menggunakan model Sentence-BERT (SBERT) untuk mengekstraksi representasi
semantik dari pertanyaan dan jawaban. Representasi ini kemudian digunakan untuk
menghitung cosine similarity antar pasangan teks, dan dijadikan dasar pengelompokan nilai
yang digunakan dalam pelatihan. Model Multilayer Perceptron (MLP) kemudian dilatih
menggunakan algoritma Reptile, sebuah pendekatan meta-learning yang memungkinkan
model “belajar cara belajar” dalam mengenali struktur kemiripan semantik jawaban
terhadap pertanyaan, alih-alih bergantung pada pola jawaban eksplisit. Kinerja pendekatan
ini diuji secara komparatif dengan supervised learning konvensional dan dua fungsi loss
berbeda (MSE dan SMAPE). Hasilnya membuktikan keunggulan mutlak pendekatan meta
learning: rerata SMAPE hanya 6,34%, jauh lebih rendah dibandingkan baseline supervised
learning (13,09%). Penelitian ini secara konklusif menunjukkan bahwa strategi meta
learning mampu melakukan generalisasi secara efektif untuk tugas penilaian jawaban
singkat yang dinamis, tanpa memerlukan kunci jawaban eksplisit.
Kata kunci : Automated Short Answer Grading, Meta-Learning, SBERT, Reptile, SMAPE

Item Type:	Thesis (Undergraduate)
Subjects:	Sciences and Mathemathic
Divisions:	Faculty of Science and Mathematics > Department of Informatics
Depositing User:	Yemima Laras Sekarsari
Date Deposited:	27 Nov 2025 03:03
Last Modified:	27 Nov 2025 03:03
URI:	https://eprints2.undip.ac.id/id/eprint/41526

Actions (login required)

View Item

Search for collections on Undip Repository