Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal SmartComp
Luthfi, Muhammad Fahmi
Unknown Affiliation
Computer Science & IT Electrical & Electronics Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Kinerja Algoritma Winnowing dan Machine Learning dalam Sistem Penilaian Esai Otomatis Berbasis Texs Luthfi, Muhammad Fahmi
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 15, No 1 (2026): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v15i1.9557

Abstract

Penelitian ini bertujuan untuk mengevaluasi penerapan teknik ekstraksi fitur Winnowing yang dipadukan dengan model pembelajaran mesin K-Nearest Neighbors (KNN) dan Support Vector Machine (SVM) dalam sistem penilaian esai otomatis berbasis teks. Topik ini penting karena penilaian otomatis dapat mempercepat proses evaluasi esai dan mengurangi potensi bias manusia. Dalam penelitian ini, esai diklasifikasikan menggunakan teknik K-gram dan fingerprinting Winnowing untuk meningkatkan akurasi dan representasi fitur dari teks.Hasil evaluasi menunjukkan bahwa model Winnowing + SVM menghasilkan performa yang paling unggul dengan akurasi sebesar 0.876 dan F1-score sebesar 0.868430. Meskipun membutuhkan waktu komputasi yang lebih tinggi (5.181894 detik), SVM secara konsisten mengklasifikasikan esai dengan presisi dan stabilitas yang lebih baik. Sebaliknya, model Winnowing + KNN menunjukkan performa yang lebih rendah dengan akurasi sebesar 0.707 dan F1-score sebesar 0.686699, namun memiliki keunggulan dalam waktu komputasi yang jauh lebih cepat (0.077723 detik). Penggunaan Winnowing terbukti efektif dalam meningkatkan kinerja kedua model, dengan dampak yang lebih signifikan terhadap SVM. Kesimpulannya, SVM lebih direkomendasikan untuk sistem penilaian esai otomatis yang mengutamakan akurasi, sementara KNN lebih cocok untuk aplikasi yang memprioritaskan efisiensi waktu.
Co-Authors