Article Per Year (5 Year)
p-Index From 2019 - 2024
4.031
P-Index
This Author published in this journals
All Journal Indonesian Journal of Electronics and Instrumentation Systems Techno.Com: Jurnal Teknologi Informasi JSI: Jurnal Sistem Informasi (E-Journal) Jurnal Ilmu Komputer dan Agri-Informatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Jurnal Sisfokom (Sistem Informasi dan Komputer) Informatik : Jurnal Ilmu Komputer SEINASI-KESI JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) ABDIKOM
Santoni, Mayanda Mega
Fakultas Ilmu Komputer, Universitas Pembangunan Nasional Veteran Jakarta
Agriculture, Biological Sciences & Forestry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Library & Information Science Other

Published : 28 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Techno.Com: Jurnal Teknologi Informasi

 1 
Penilaian Esai Pendek Otomatis dengan Pencocokan Kata Kunci Frasa Nomina Nurul Chamidah; Mayanda Mega Santoni; Helena Nurramdhani Irmanda; Ria Astriratma
Techno.Com Vol 20, No 4 (2021): November 2021
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v20i4.5043

Abstract

Pembelajaran daring menjadi suatu kebutuhan dalam pengajaran baik dalam memberikan materi maupun ujian. Ujian dalam bentuk soal objektif kurang dapat mengukur kemampuan pemahaman seseorang dan soal esai dianggap lebih baik untuk mengevaluasi hasil pembelajaran. Namun, jawaban berbentuk esai memerlukan waktu yang lebih banyak untuk dilakukan penilaian serta hasil penilaiannya dapat inkonsisten. Maka dari itu, diperlukan suatu sistem penilaian esai otomatis yang dapat menilai esai dengan lebih cepat dan konsisten. Penelitian ini dilakukan untuk menganalisis performa penilain esai otomatis dengan mengekstrak kata kunci dari frasa nomina dalam jawaban berbentuk esai pendek. Penilaian esai dilakukan dengan mencocokkan kata kunci yang diekstrak dari jawaban uji dan jawaban referensi. Jawaban uji dan referensi diproses dengan case folding, Part of Speech (POS) Tagging, ekstraksi frasa nomina, dan stemming. Kata kunci unik jawaban uji dan jawaban referensi yang diperoleh dari proses tersebut selanjutnya dicocokkan dan kemudian dinilai berdasarkan kecocokan tersebut. Hasil evaluasi penelitian ini menunjukkan Mean Absolute Error (MAE) dari nilai yang diperoleh dengan mencocokkan kata kunci dengan nilai uji yang diberikan manusia sebesar 18% dan Pearson Correlation sebesar 0.83 yang menunjukkan korelasi antara nilai sistem dan nilai uji sangat baik.
Pencocokan Berbasis Kata Kunci pada Penilaian Esai Pendek Otomatis Berbahasa Indonesia Nurul Chamidah; Mayanda Mega Santoni
Techno.Com Vol 20, No 1 (2021): Februari 2021
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v20i1.4115

Abstract

Evaluasi dalam pengajaran dapat dilakukan melalui ujian. Ujian berupa esai dapat digunakan untuk mengevaluasi pemahaman sesuai konteks dan memiliki jawaban referensi. Sayangnya, jawaban dari esai ini membutuhkan waktu yang lebih banyak untuk dievaluasi dan dapat terjadi inkonsistensi dalam melakukan penilaian. Penelitian ini dilakukan untuk menganalisis performa untuk penilaian esai pendek otomatis berbahasa Indonesia untuk mengevaluasi jawaban yang berbentuk esai pendek. Sehingga, penilaian terhadap jawaban esai lebih konsisten dan dapat digunakan sebagai alternatif untuk penilaian dalam ujian online. Penilaian esai dilakukan dengan menghitung kecocokan antara jawaban uji dengan jawaban referensi, yakni dengan meilhat kata kunci dari masing-masing jawaban. Kata kunci diperoleh dengan melakukan praproses pada teks yakni dengan case folding, pembuangan stopword, stemming, dan tokenisasi. Setelah mendapatkan kata kunci untuk jawaban uji dan jawaban referensi, pada tahap keyword matching dilakukan pencocokan jawaban uji terhadap jawaban referensi. Hasil kecocokan antara jawaban uji dan referensi selanjutnya dihitung menjadi nilai pada tahapan grading. Nilai yang diperoleh dari grading selanjutnya dibandingkan dengan nilai uji sebagai evaluasi performa dengan menghitung Mean Absolute Error (MAE) dan Pearson Correlation. Hasil dari penelitian ini menunjukkan MAE untuk keseluruhan jawaban uji sebesar 0.25 dan korelasi antara nilai uji dengan nilai hasil grading sebesar 0.79.
Prediksi Hipertensi menggunakan Decision Tree, Naïve Bayes dan Artificial Neural Network pada software KNIME Mayanda Mega Santoni; Nurul Chamidah; Nurhafifah Matondang
Techno.Com Vol 19, No 4 (2020): November 2020
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v19i4.3872

Abstract

Hipertensi merupakan salah satu penyakit tidak menular yang dapat menyebabkan kematian karena meningkatkan resiko munculnya berbagai penyakit seperti gagal ginjal, gagal jantung, bahkan stroke. Resiko hipertensi disebabkan oleh beberapa faktor penyebab seperti usia, keturunan, pola makan dan olahraga, dan merokok. Teknologi artificial intelligence yakni machine learning dimanfaatkan di bidang kesehatan khususnya prediksi penyakit hipertensi. Pada penelitian ini diimplementasi tiga algoritma machine learning yakni decision tree, naïve bayes dan artificial neural networks. Data yang digunakan pada penelitian ini sebanyak 274 data yang diperoleh dari hasil kuesioner dengan 26 pertanyaan, dimana 25 pertanyaan adalah variabel faktor resiko dan satu pertanyaan merupakan kelas yang menyatakan responden memiliki riwayat hipertensi atau tidak. Data diolah menggunakan platform analisis data yakni KNIME. Sebelum data diolah untuk membangun model klasifikasi menggunakan decision tree, naïve bayes dan artificial neural network, data dipraproses terlebih dahulu dengan melakukan imputasi missing value, oversampling dan normalisasi data. Selanjutnya pembagian data menggunakan 5-fold cross validation. Model klasifikasi yang diperoleh dievaluasi menggunakan nilai akurasi, recall dan precision. Hasil evaluasi dari eksperimen yang dilakukan diperoleh bahwa algoritma artificial neural network memiliki tingkat performa lebih baik dibandingkan decision tree dan naïve bayes dengan nilai akurasi sebesar 94.7%, recall sebesar 91.5% dan precision sebesar 97.7%.
Penilaian Esai Pendek Otomatis Berdasarkan Similaritas Semantik dengan SBERT Nurul Chamidah; Mayanda Mega Santoni; Helena Nurramdhani Irmanda; Ria Astriratma; Yulnelly Yulnelly
Techno.Com Vol 21, No 4 (2022): November 2022
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v21i4.6758

Abstract

Ujian dalam bentuk soal esai dianggap lebih baik dalam mengukur pemahaman dari pada soal berbentuk pilihan. Namun, jawaban esai memerlukan waktu dan tenaga lebih banyak untuk dievaluasi dan sering terjadi inkonsistensi. Maka dari itu, diperlukan suatu sistem penilaian esai otomatis yang dapat membantu evaluator dalam memberikan nilai dengan lebih cepat dan lebih konsisten. Penelitian ini bertujuan untuk mengevaluasi performa model penilaian esai otomatis dimana teks esai jawaban uji dan kunci jawaban dibandingkan secara semantik untuk mengetahui seberapa besar persamaan antara teks jawaban uji dan kunci jawaban. Semantik dari teks esai diperoleh dengan melakukan word embeddings dengan memanfaatkan model bahasa pretrained Siamese-BERT (SBERT) yang mentransformasi teks esai menjadi vektor sepanjang 512. Proses penilaian esai otomatis ini dimulai dengan praproses pada teks dengan menerapkan case folding, berikutnya word embeddings pada teks yang telah di praproses dengan SBERT. Vektor numerik dari kunci jawaban dan jawaban uji hasil word embeddings kemudian dibandingkan dengan Cosine Similarity untuk mendapatkan similaritas semantik sekaligus nilai esai yang merupakan output model. Evaluasi model penilaian esai otomatis ini dilakukan dengan membandingkan nilai dari model dengan nilai dari evaluator manusia. Pengukuran yang dipakai untuk mengukur performa penilaian esai otomatis ini adalah adalah dengan menghitung Mean Absolute Error (MAE) dan Pearson Correlation, dimana hasil penelitian ini menunjukan nilai rata-rata MAE sebesar 0.26 dan rata-rata korelasi sebesar 0.78.
Co-Authors Aditya Surya Wijaya Andreas Silalahi Anita Muliawati Bayu Permana Sukma Cindy Chairunnisa Deo Haganta Depari Desta Sandya Prasvita Desta Sandya Prasvita Desta Sandya Prasvita Desta Sandya Prasvita Hafizd, Maulana Helena Nurramdhani Irmanda Helena Nurramdhani Irmanda Helena Nurramdhani Irmanda Iin Ernawati Ilham Ramadhan Irmanda, Helena Nurramdhani Irmanda, Helena Nurramdhani Jayanta Jayanta Krisanto Abilowo Matondang, Nurhafifah Muhammad Nuradli Hasbi Gumay Novi Trihastuti Nurhafifah Matondang Nurul Chamidah Nurul Chamidah Prajamukti, Reino Qahtan Said Reza Amarta Prayoga Reza Amarta Prayoga Ria Astriratma Ria Astriratma Ria Astriratma Rio Wirawan Said, Qahtan Silalahi, Donni S Widiastiwi, Yuni Yulistiani, Risma Yulnelly Yulnelly Yulnelly Yulnelly Yuni Widiastiwi