Automated Essay Scoring menggunakan Cosine Similarity pada Penilaian Esai Multi Soal

Lahitani, Alfirna Rizqi

doi:10.31599/jki.v22i2.1121

Cited by 4 publications

(4 citation statements)

References 3 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Data dalam bentuk teks yang telah dihimpun akan melalui beberapa proses, tujuan proses ini adalah ekstraksi data dengan preprocessing yang meliputi Tokenizing, Filtering, Stemming dan Indexing. Hasil akhir preprocessing berupa data bersih yang siap diolah [22].…”

Section: B Tahap Pengolahan Data (Preprocessing)unclassified

Pemetaan Topik Pembicaraan Pada Komentar Live Youtube Menggunakan K-Means Clustering sebagai Identifikasi awal Kejahatan Verbal Cyberbullying

Lahitani,

Zhafarina,

Windi Oktavia

et al. 2024

JTEUNIBA

View full text Add to dashboard Cite

Survey APJII 2022 mencatat 98,02% internet digunakan oleh kalangan anak muda generasi Z untuk mengakses media sosial. Keberadaan media sosial tentu saja memiliki dampak sosial, salah satunya sebagai tempat perundungan atau bullying. Permasalahan muncul dalam proses identifikasi korban dan pelaku cyberbullying, selain itu kesulitan dalam makna dan maksud kata yang mengandung unsur bullying dapat menimbulkan multitafsir yang mempengaruhi dalam proses investigasi. Untuk mengatasi permasalahan tersebut, diperlukan sebuah upaya identifikasi awal dengan mengelompokkan topik pembicaraan menggunakan metode text mining. Cara ini dapat dimulai dengan melakukan teknik preprocessing, dikarenakan data percakapan berbentuk teks. Selanjutnya dilakukan pengelompokkan topik menggunakan algoritma K-means clustering. Berdasarkan hasil perhitungan kelompok komentar yang mengandung perundungan kemudian dipetakan dengan bantuan tools Rapidminer. Kontribusi dari penelitian ini adalah sebagai langkah awal implementasi keamanan siber pada tahap identifikasi bukti digital untuk keperluan investigasi dan persidangan. Penelitian ini menghasilkan pemetaan dalam bentuk klaster. Hasil analisis pada 2 klaster terlihat pola pengelompokkan pada term tertentu yang secara konsisten terkelompok dan berisi term yang sama yaitu term “Nanyi”, sehingga dapat ditarik kesimpulan awal bahwa topik yang sedang menjadi pembahasan dalam Video adalah seputar kegiatan bernyanyi atau unsur perbincangan dalam konteks bernyanyi. Sedangkan pada klaster lain term yang berkelompok lebih beragam karena keunikan masing-masing term.

show abstract

Section: B Tahap Pengolahan Data (Preprocessing)unclassified

Pemetaan Topik Pembicaraan Pada Komentar Live Youtube Menggunakan K-Means Clustering sebagai Identifikasi awal Kejahatan Verbal Cyberbullying

Lahitani,

Zhafarina,

Windi Oktavia

et al. 2024

JTEUNIBA

View full text Add to dashboard Cite

show abstract

“…Pada persamaan (1) akan dijabarkan persamaan untuk memperoleh nilai jaccard similiarity [9]. vektor-vektor yang dimiliki setiap data [11]. Nilai perhitungan derajat kemiripannya dapat bervariasi mulai dari 0 hingga 1.…”

Section: B Collaborative Filteringunclassified

“…Nilai yang paling mendekati 1 maka diasumsikan sebagai data set yang paling memiliki kemiripan dengan profil data uji, sehingga mata mata kuliah semester selanjutnya akan menjadi bahan rekomendasi untuk diambil oleh data uji. Pada persamaan (3) akan dijabarkan persamaan untuk memperoleh nilai cosine similiarity [11].…”

Section: B Collaborative Filteringunclassified

Implementasi Pendekatan Collaborative Filtering Dan K-Means Clustering Pada Sistem Rekomendasi Mata Kuliah

Fernando

Mudjiraharjo²,

Aswin³

2022

JIKO

View full text Add to dashboard Cite

Dalam perkuliahan, mahasiswa akan menjalani beberapa rangkaian mata kuliah, secara umum prodi akan menyiapkan daftar mata kuliah baik yang bersifat wajib dan pilihan. Prodi telah menyiapkan kurikulum yang berlaku dalam bentuk silabus, namun tidak jarang mahasiswa ragu dalam mengambil keputusan mata kuliah pilihan apa yang akan mereka ambil, terlebih lagi pada awal menentukan konsentrasi keminatan prodi. Hal ini dapat berakibat kurang maksimalnya perolehan nilai mata kuliah mahasiswa hingga mundurnya masa studi. Penelitian terdahulu telah melakukan pendekatan sistem pakar dan data mining untuk menentukan rekomendasi mata kuliah sesuai bakat dan kemampuan individu. Namun dalam implementasinya, tidak jarang mata kuliah yang direkomendasikan terlalu luas dan kurang sesuai dengan profil pengguna, dengan demikian perlu adanya metode optimalisasi rekomendasi untuk meningkatkan akurasi rekomendasi dengan meminimalisir keluarnya rekomendasi mata kuliah yang kurang sesuai dengan profil data uji. Dalam penelitian ini, sistem rekomendasi akan dibangun dengan pendekatan collaborative filtering menggunakan metode jaccard, euclidean distance, cosine similiarity, dan pearson correlation. Setelah itu, k-means clustering digunakan untuk mengoptimalisasi nilai akurasi dari sistem rekomendasi dengan . Dari penelitian yang dilakukan, pendekatan collaborative filtering menggunakan metode cosine similiarity menghasilkan nilai akurasi 64.76%, euclidean distance menghasilkan nilai akurasi 62.04%, jaccard menghasilkan nilai akurasi 53.66%, dan pearson correlation menghasilkan nilai akurasi 43.71%. Optimalisasi akurasi rekomendasi menggunakan k-means clustering juga berhasil meningkatkan performa nilai akurasi hingga 9.92%.

show abstract

“…Kesamaan cosinus adalah ukuran kesamaan antara dua vektor bukan nol dari ruang produk dalam, yang mengukur cosinus sudut di antara keduanya [5] [6]. Kosinus 0° adalah 1, dan setiap sudut dalam interval radian (0, π) kurang dari 1.…”

Section: Cosine Similarityunclassified

Untitled

2022

JDI

View full text Add to dashboard Cite

Kata majemuk gabungan morfem dasar yang kesemuanya berstatus kata dengan pola fonetik, gramatikal, dan semantik tertentu sesuai dengan kaidah bahasa yang bersangkutan. Pola khusus ini membedakannya dari frasa atau kombinasi kata-kombinasi morfem yang bukan kata majemuk. Pembatasan ini berlaku untuk sejumlah dimensi, dan persamaan kosinus paling sering digunakan dalam ruang positif berdimensi tinggi. Misalnya, dalam pencarian informasi dan penambangan teks, setiap istilah secara tidak langsung diberi dimensi yang berbeda, dan dokumen diberi label sebagai vektor, di mana nilai di setiap dimensi sesuai dengan berapa kali istilah tersebut muncul dalam dokumen. Kesamaan cosine kemudian memberikan ukuran yang berguna tentang seberapa mirip dua dokumen dalam hal topik. Pada penelitian ini penggunaan kata majemuk sebagai kata kunci dalam pencarian dokumen menghasilkan dokumen yang lebih tepat. Data yang digunakan sebanyak 15 file. Data yang mengandung kata majemuk sebanyak 10 file. Data 5 dokumen tanpa kata majemuk. Hasil pencarian dengan menggunakan algoritma kesamaan menghasilkan nilai kesamaan yang tinggi, namun 33,3% kata majemuk tidak ada. Dan hasil pencarian dengan nilai kemiripan lebih rendah tetapi mengandung kata majemuk sebesar 66,3%. Sehingga dengan adanya penambahan data berupa kata majemuk di dalam pencarian membuat hasilnya lebih baik.

show abstract

Automated Essay Scoring menggunakan Cosine Similarity pada Penilaian Esai Multi Soal

Cited by 4 publications

References 3 publications

Pemetaan Topik Pembicaraan Pada Komentar Live Youtube Menggunakan K-Means Clustering sebagai Identifikasi awal Kejahatan Verbal Cyberbullying

Pemetaan Topik Pembicaraan Pada Komentar Live Youtube Menggunakan K-Means Clustering sebagai Identifikasi awal Kejahatan Verbal Cyberbullying

Implementasi Pendekatan Collaborative Filtering Dan K-Means Clustering Pada Sistem Rekomendasi Mata Kuliah

Untitled

Contact Info

Product

Resources

About