scholarly journals Sistem Penilaian Otomatis Jawaban Esai Dengan Menggunakan Metode Vector Space Model Pada Beberapa Perkuliahan Di Stmik Indonesia Banjarmasin

Respati ◽  
2019 ◽  
Vol 14 (1) ◽  
Author(s):  
Ferdy Febriyanto
Keyword(s):  
Vector Space ◽  
Vector Space Model ◽  
Learning System ◽  
Assessment Process ◽  
Text Similarity ◽  
Term Frequency ◽  
Space Model ◽  
Test Execution ◽  
Document Frequency ◽  
E Learning

INTISARIPerkembangan sistem e-learning setiap tahunnya terus meningkat, hal ini dikarenakan sistem e-learning memberikan banyak kemudahan dalam pembelajaran. Beberapa institusi pendidikan khususnya perguruan tinggi negeri maupun swasta mulai mengembangkan sistem e-learning pada proses pengajarannya. Dalam konsep e-learning, pelaksanaan ujian dapat dilakukan, mulai dari menjawab soal ujian hingga proses penilaian selama ini kebanyakan proses ujian esai dan penilaiannya dilaksanakan secara manual yaitu dengan membaca esai satu per satu. Para dosen perlu menghabiskan banyak waktu untuk menilai jawaban ujian mahasiswa. Semakin banyak jumlah ujian yang dikoreksi, kualitas penilaian yang diberikan semakin menurun.Untuk memecahkan masalah tersebut dapat dilakukan dengan membuat suatu aplikasi yang dapat memproses kemiripan teks. Oleh karena itu dalam penelitian tesis ini, penulis menggunakan algoritma TF/IDF (Term Frequency – Inversed Document Frequency) dan VSM (Vector Space Model) yang secara prosesnya dapat mencari nilai kemiripan dari suatu teks jawaban dengan teks kunci jawaban. Nilai kemiripan teks tersebut dapat dijadikan acuan sebagai nilai koreksi jawaban ujian mahasiswa.Hasil penelitian menggunakan data dari Ujian Akhir Semester di STMIK Indonesia Banjarmasin dengan 10 mata kuliah, yaitu : Desain Grafis, Jaringan Komputer, Pengantar Teknologi Informasi, Kecakapan Antar Personal, Sistem Operasi, Pengantar Manajemen, Etika Profesi, Sistem Basis Data, Microprosessor, dan Pemrograman Web. Masing -masing mata kuliah diinputkan 30 soal dengan setiap soalnya memiliki 3 jawaban benar yang berbeda sebagai pembanding tingkat kemiripannya. Dalam prosesnya, sistem akan menghapus kata - kata yang dianggap tidak penting atau kata - kata yang terlalu umum digunakan termasuk karakter atau bentuk simbol, karena sistem hanya akan memproses soal yang memerlukan jawaban teoritis dan argumentasi bukan matematis. Untuk kasus pada penelitian tesis ini kata - kata dalam bahasa lokal Banjar juga akan dihilangkan oleh sistem untuk penyetaraan penggunaan bahasa Indonesia. Dengan kumpulan kata yang tersisa setelah proses penghilangan kata, perhitungan nilai bobot kata akan dilakukan algoritma TF/IDF dan dengan VSM akan dihitung nilai cosinus, sehingga didapatlah nilai tingkat kemiripan antara jawaban oleh mahasiswa dan jawaban oleh dosen. Tingkat kolerasi yang dihasilkan cukup baik dengan tingkat akurasi rata – rata 80% - 90% bila dibandingkan dengan penilaian yang dilakukan manusia secara manual. Kata Kunci : Penilaian Ujian Otomatis, TF/IDF, VSM, Similiaritas. ABSTRACTThe development of e-learning system every year keep on increased, this is because the e-learning system provides much convenience in learning. Some educational institutions, especially universities started to develop a system of e-learning in the teaching process. In the concept of e-learning, test execution can be carried out, started from answering the exam until this assessment process during most of the process of essay exams and assessments carried out manually, by reading essays one by one. The lecturers need to spend a lot of time to assess the student exam answers. The more of the number exam that corrected, quality assessment given decreased.To solve these problems can be done by creating an application that can process text similarity. Therefore, in this thesis, the author uses an algorithm TF / IDF (Term Frequency - Inversed Document Frequency) and VSM (Vector Space Model) in the process can seek similarity value of a answer text with the text of the answer key. The value of text similarity can be used reference as a correction value of the answers student exam.The results using data from the Final Examination in STMIK Indonesia Banjarmasin with 10 subjects, that is: Graphic Design, Computer Networking, Introduction to Information Technology, Skills Inter-Personal, Operating Systems, Introduction to Management, Profession Ethics, Database Systems, Microprosessor and web Programming. Each subjects entered 30 questions with each question have 3 completely different answers as the comparison level of similarity. In the process, the system will remove the words are considered unimportant or words are commonly used include characters or symbols, because the system only process the questions that need theoretical and arguments answers, not mathematical. For the case in this thesis,  words in the local Banjar language also eliminated by the system to equalize use of Indonesian language. With a set remains of words after the removal of the word, the word weighted value calculation algorithms will do TF / IDF and VSM will be calculated the cosine valule, so obtained value of the degree of similarity between answers by students and answers by lecturers. The correlation level result is good enough with the average accuracy rates 80% - 90% if compared with human assessment manually. Keywords : Automatic Exam Assessment, TF / IDF, VSM, Similiarity.

scholarly journals PENGEMBANGAN SISTEM PENDETEKSI KEMIRIPAN KARYA PADA INAICTA 2013

2017 ◽  
Vol 1 (4) ◽  
pp. 14
Author(s):  
Cadea Mikha Pasma ◽  
Ulla Delfana Rosiani ◽  
Rudy Ariyanto
Keyword(s):  
Vector Space ◽  
Vector Space Model ◽  
Term Frequency ◽  
Space Model ◽  
Document Frequency

Indonesia  ICT  Award  (INAICTA)  2013  merupakan  ajang  lomba  karya  cipta  kreativitas  dan  inovasi  di bidang TIK (Teknologi Informasi dan Komputer) terbesar di Indonesia yang bertujuan untuk terus mendorong berkembangnya  produk-produk  TIK  (Teknologi  Informasi  dan  Komputer)  lokal  dengan  peningkatan  kualitas maupun inovasi produk. Semakin tahun, jumlah kontestan yang mengikuti INAICTA semakin bertambah. Hal tersebut berpengaruh terhadap tingkat kesulitan bagi para juri atau tim penilai untuk mengetahui kemiripan dari inovasi-inovasi para kontestan. Dibutuhkan suatu aplikasi yang dapat membantu dalam pendeteksian kemiripan tiap  hasil  karya  yang  diikutsertakan  oleh  para  kontestan.  Oleh  karena  itu  dilakukan  pengembangan  sistem pendeteksi  kemiripan  karya  pada  INAICTA  2013  dengan  membandingkan  penjelasan  ringkas karya para kontestan.  Dalam  pengembangan  sistem  pendeteksi  ini  menggunakan  Algoritma Term  Frequency– Inversed Document  Frequency (TF-IDF)  untuk  proses  pembobotan  karya.  Dengan TF-IDF sistem  akan  menghitung berdasarkan term pada  setiap  karya.  Sedangkan  untuk  melihat  tingkat  kedekatan  atau  kesamaan (similarity) karya,  sistem  ini  menggunakan  Algortitma Vector  Space  Model (VSM).  Dengan VSM data  karya  dipandang sebagai  sebuah  vektor  yang  memiliki magnitude (jarak)  dan direction  (arah).  Sehingga  sistem  pendeteksi kemiripan karya pada INAICTA 2013 ini akan menghasilkan urutan tingkat kemiripan karya INAICTA 2013.

scholarly journals MODEL SISTEM MANAJEMEN PENGETAHUAN PROYEK DI PT. XYZ

2018 ◽  
Vol 7 (1) ◽  
pp. 43-50
Author(s):  
Sendy Gilang Farhamsyah ◽  
Riani Lubis , S.T., M.T
Keyword(s):  
Vector Space ◽  
Vector Space Model ◽  
Term Frequency ◽  
Space Model ◽  
Document Frequency

Sebagai sebuah perusahaan yang bergerak dibidang jasa konsultasi profesional, PT. XYZ memberikan jasa konsultasi yang berkaitan dengan perencanaan teknis dan manajemen pada lingkup pembangunan daerah dan nasional. Saat ini perusahaan tersebut selalu menggunakan tenaga kontrak dalam pengerjaan proyek-proyek yang dikerjakannya. Hal ini menyebabkan pengetahuan proyek yang dimiliki oleh tenaga kontrak terebut tidak didokumentasikan saat pekerjaan proyek selesai. Sehingga perusahaan kehilangan pengetahuan proyek dari tenaga kontrak tersebut. Penerapan Sistem Manajemen Pengetahuan merupakan solusi yang tepat untuk mengelola pengetahuan proyek perusahaan tersebut, sehingga pengetahuan proyek yang diperoleh dari pelaksanaan proyek-proyek sebelumnya dapat digunakan dalam pelaksanaan proyek mendatang oleh tenaga kontrak yang baru diangkat dan belum memiliki pengalaman. Metode yang digunakan untuk menghasilkan tingkat similaritas kata kunci ketika pencarian dalam sistem adalah metode TF-IDF (Term Frequency-Inversed Document Frequency) dan VSM (Vector Space Model). Hasil dari penelitian ini berupa model Sistem Manajemen Pengetahuan yang diharapkan dapat membantu tenaga kerja proyek dalam mendokumentasikan pengetahuan dari setiap tenaga kerja proyek dan mengetahui solusi untuk menghadapi permasalah yang terjadi dalam pengerjaan proyek.

scholarly journals System of Information Feedback on Archive Using Term Frequency-Inverse Document Frequency and Vector Space Model Methods

2020 ◽  
Vol 3 (1) ◽  
pp. 36-42
Author(s):  
Didit Suhartono ◽  
Khodirun Khodirun
Keyword(s):  
Information Retrieval ◽  
Vector Space ◽  
Vector Space Model ◽  
Retrieval Performance ◽  
Inverse Document Frequency ◽  
Term Frequency ◽  
Space Model ◽  
Storage And Retrieval ◽  
Document Frequency ◽  
Speed Up

The archive is one of the examples of documents that important. Archives are stored systematically with a view to helping and simplifying the storage and retrieval of the archive. In the information retrieval (Information retrieval) the process of retrieving relevant documents and not retrieving documents that are not relevant. To retrieve the relevant documents, a method is needed. Using the Term Frequency-Inverse Document and Vector Space Model methods can find relevant documents according to the level of closeness or similarity, in addition to applying the Nazief-Adriani stemming algorithm can improve information retrieval performance by transforming words in a document or text to the basic word form. then the system indexes the document to simplify and speed up the search process. Relevance is determined by calculating the similarity values between existing documents by querying and represented in certain forms. The documents obtained, then the system sort by the level of relevance to the query.

A Novel Method for Text Similarity Calculation

2013 ◽  
Vol 660 ◽  
pp. 202-206
Author(s):  
Cai Rui ◽  
Li Fei ◽  
Chen Bin ◽  
Quan Cong
Keyword(s):  
Vector Space ◽  
Word Frequency ◽  
Word Order ◽  
Vector Space Model ◽  
Longest Common Subsequence ◽  
Text Similarity ◽  
Space Model ◽  
Frequency Information ◽  
Similarity Calculation ◽  
Common Subsequence

In view of the fact that traditional vector space model for text similarity calculation which does not take word order into consideration leads to bias, this paper puts forward a longest common subsequence and the traditional vector space model of combining text similarity calculation. This method takes the word order and word frequency information into account, using the texts of the longest common subsequence and substring of their information from all public records and the use of word order and word frequency in the text. The importance of similarity calculation is acknowledged, and the traditional vector space model in the calculation of the weight is used on the word frequency information. Some of the dataset collected through the web crawler are used in the proposed text similarity calculation method for testing, and the results proved the effectivity of the method.

Latent Semantic Indexing for Indonesian Text Similarity

2018 ◽  
Vol 7 (2.3) ◽  
pp. 73 ◽  
Author(s):  
Robbi Rahim ◽  
Nuning Kurniasih ◽  
Muhammad Dedi Irawan ◽  
Yustria Handika Siregar ◽  
Abdurrozzaq Hasibuan ◽  
...  
Keyword(s):  
Vector Space ◽  
Vector Space Model ◽  
Scientific Work ◽  
Latent Semantic Indexing ◽  
Semantic Indexing ◽  
Text Similarity ◽  
Space Model ◽  
Indexing Method

Document is a written letter that can be used as evidence of information. Plagiarism is a deliberate or unintentional act of obtaining or attempting to obtain credit or value for a scientific work, citing some or all of the scientific work of another party acknowledged as a scientific work without stating the source properly and adequately. Latent Semantic Indexing method serves to find text that has the same text against from a document. The algorithm used is TF/IDF Algorithm that is the result of multiplication of TF value with IDF for a term in document while Vector Space Model (VSM) is method to see the level of closeness or similarity of word by way of weighting term.  

scholarly journals An Efficient Journal Articles Searching using Vector Space Model Algorithm

2020 ◽  
Vol 9 (1) ◽  
pp. 21
Author(s):  
Azis Alvriyanto ◽  
Muhammad Taufiq Nuruzzaman ◽  
Maria Ulfah Siregar ◽  
Rahmat Hidayat
Keyword(s):  
Vector Space ◽  
Evaluation Criteria ◽  
Vector Space Model ◽  
Journal Articles ◽  
Space Model ◽  
Search Results ◽  
Document Frequency ◽  
Traditional Algorithm ◽  
Baseline Algorithm ◽  
Model Algorithm

One of the main feature of digital library is a search engine which depends on keywords submitted by a user. However, in the traditional algorithm, the computation performance, searching speed, significantly relies on the number of journal articles stored in the databases. Some irrelevant search results also increase the speed of article searching process. To solve the problem, in this paper we propose vector space model (VSM) algorithm to search for relevant journal articles. The VSM algorithm considers a term frequency - inversed document frequency (TF-IDF). The VSM algorithm will be compared to the baseline algorithm namely traditional algorithm. Both algorithms will be evaluated using combination of keywords which can be a synonym, phrase, error typography, or suffix and prefix. By using the data consist of 635 journal articles, both algorithms are compared in terms of 11 evaluation criteria. The results show that VSM algorithm is able to obtain the intended journal at 5th rank on average as compared to the traditional algorithm which can obtain the intended journal at rank of 171st on average. Therefore, our proposed algorithm can improve the performance to accurately sort the journal articles based on the submitted keywords as compared to traditional algorithm.   

scholarly journals Klasifikasi Newsgroup Menggunakan Vector Space Model dan Novel K Nearest Neighbors

2017 ◽  
Vol 1 (1) ◽  
pp. 46
Author(s):  
Mira Suryani ◽  
Ayi Muhammad Iqbal Nasuha ◽  
Intan Nurma Yulita ◽  
Erick Paulus
Keyword(s):  
Vector Space ◽  
Vector Space Model ◽  
Nearest Neighbors ◽  
K Nearest Neighbors ◽  
Term Frequency ◽  
Space Model

Salah satu penelitian dalam bidang perolehan informasi yang hingga saat ini masih menjadi kajian adalah kategorisasi teks. Klasifikasi teks dapat membantu manusia untuk menemukan sekumpulan informasi yang relevan sesuai dengan kebutuhan secara cepat. Studi ini mengemukakan tentang proses mengkategorisasikan newsgroup. Data newsgroup dipilih sebagai dataset penelitian dikarenakan newsgroup sendiri merupakan aplikasi yang telah lama dan banyak digunakan oleh orang untuk berdiskusi di dunia maya, sehingga data newsgroup berada dalam jumlah besar dan perlu pengelolaan. Vector space model sebagai representasi fitur dari sebuah dokumen yang dihasilkan setelah melalui proses indexing dan pembobotan menggunakan term frequency. Representasi fitur kemudian diklasifikasikan ke dalam 3 kategori sesuai dengan kelas kategorinya. Dari hasil penelitian diperoleh nilai rata-rata precision sebesar 71% dengan jumlah data yang diklasifikasikan secara benar sebanyak 89 data. Hasil ini diperoleh dari penentuan jumlah k paling optimal yang berada pada nilai 30.

Pencarian Materi Kuliah Pada Aplikasi Blended Learning Menggunakan Metode Vector Space Model

2017 ◽  
Vol 8 (2) ◽  
pp. 92-101
Author(s):  
Putra Angga ◽  
Lastri Widya Astuti ◽  
Mustafa Ramadhan
Keyword(s):  
Blended Learning ◽  
Vector Space ◽  
Sequence Data ◽  
Large Angle ◽  
Vector Space Model ◽  
Space Model ◽  
Input Processing ◽  
Document Frequency ◽  
Content Search ◽  
Vector Modeling

Searching for a lot of materials are materials which is needed quickly and accurately. are by ranking them. Ranking is one branch of science of information retrieval. Information document search Vector Space Model (VSM). VSM uses the concept which is included in linear algebra is a vector space. Based on the concept that is used, the development of blended learning application uses space vector modeling method as an alternative for students in searching of relavan material toward materials needed, reducing the error level in the return of information and students can achieve goals quickly. Column vector representation is used in the conversion of document input, processing and output. Another concept that is used to determine the proximity between two vectors, are by calculating the angle formed between the two vectors and then it is sequenced from the data which has a large angle of the smallest to the largest of which indicates the sequence data of the ranking from the most relevant to irrelevant. In this study is described about the will produce quality to each document to determine how relevant the document to the query. Quality method which is used in the implementation can be a combination of TF (Term Frequency), IDF (Inverse Document Frequency), and the corresponding normalized input from the user. Index Terms— Content Search, Blended learning, the Vector Space Model.

Sign in / Sign up

Export Citation Format

Share Document