DAMANHURI, R (2024) Automated Short Answer Grading Berbahasa Indonesia Menggunakan Matching Matrix dan Bidirectional Long-Short Term Memory (BiLSTM). Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 2. HALAMAN JUDUL.pdf Download (33kB)
	Text 4. HALAMAN PENGESAHAN.pdf Download (76kB)
	Text 5. KATA PENGANTAR.pdf Download (28kB)
	Text 6. PERSETUJUAN PUBLIKASI.pdf Download (95kB)
	Text 7. ABSTRAK.pdf Download (7kB)
	Text 8. ABSTRACT.pdf Download (10kB)
	Text 9. DAFTAR ISI.pdf Download (67kB)
	Text 12. BAB I PENDAHULUAN.pdf Download (98kB)
	Text 17. DAFTAR PUSTAKA.pdf Download (146kB)

Abstract

Uraian jawaban singkat merupakan bentuk soal ujian yang dinilai tepat untuk mengevaluasi
kognitif, pemahaman, dan pengetahuan. Sayangnya, jawaban yang dihasilkan sangat variatif
sehingga penilaian manual akan memakan waktu dan memunculkan bias atau inkonsistensi.
Automated Short Answer Grading (ASAG) adalah penilaian jawaban singkat menggunakan
teknik komputasi dengan keluaran nilai maupun kategori kognitif. Input ASAG berupa soal
dan jawaban membantu mengenali jawaban benar yang bervariasi berdasarkan relevansi
konteks atau atribut semantik dua representasi teks. Metode representasi teks pada ASAG
yang populer saat ini, sentence embedding Siamese-BERT, mampu menghasilkan vektor
semantik berukuran tetap. Representasi soal dan jawaban dari metode tersebut dapat dinilai
relevansinya dengan metode matching matrix dan dipahami konteksnya dengan BiLSTM.
Oleh karena itu, dilakukan penelitian ASAG menggunakan matching matrix dan BiLSTM
pada representasi soal dan jawaban hasil sentence embedding Siamese-BERT. IndoSBERT,
model Siamese-BERT Indonesia, di-fine-tuning dan digunakan untuk merepresentasikan
soal dan jawaban dari empat set data uraian jawaban singkat berbahasa Indonesia. Empat
arsitektur model ASAG dibangun untuk mengetahui pengaruh matching matrix dan
BiLSTM. Model tanpa matching matrix dengan BiLSTM menjadi model terbaik untuk soal
uraian terbatas dengan jawaban analitis (set data Siscer) dengan SMAPE 13,2262%. Model
dengan matching matrix dan BiLSTM menjadi model terbaik untuk soal uraian terbuka
dengan jawaban analitis (set data MPI dan Ukara B) dengan SMAPE 14,2271% dan
30,7918%. Model dengan matching matrix tanpa BiLSTM menjadi model terbaik untuk soal
uraian terbuka dengan jawaban nonanalitis (set data Ukara A) dengan SMAPE 19,7149%.
Matching matrix terpantau berpengaruh baik pada soal uraian terbuka, sedangkan BiLSTM
terpantau berpengaruh baik pada jawaban analitis.
Kata kunci : Automated Short Answer Grading, BiLSTM, Matching Matrix, SMAPE

Actions (login required)

View Item