<![CDATA[Esai digunakan sebagai alat evaluasi yang memerlukan respon subjektif dan mendalam dari siswa, menyoroti kemampuan kognitif yang tinggi dan keterampilan menulis yang baik. Pentingnya umpan balik dalam mengidentifikasi aspek-aspek yang perlu ditingkatkan dalam jawaban siswa telah diakui secara luas. Automated Essay Scoring (AES) adalah sistem yang menggunakan teknologi machine learning untuk mengevaluasi esai siswa secara otomatis. Meskipun telah ada penelitian tentang AES berbahasa Indonesia seperti SIMPLE, Automated Bahasa Indonesia Essay Evaluation with Latent Semantic Analysis, dan E-learning Automated Essay Scoring System Menggunakan Metode Searching Text Similarity Matching Text, namun implementasi umpan balik untuk AES berbahasa Indonesia masih belum sepenuhnya dilakukan. Memberikan umpan balik terhadap setiap esai bisa menjadi pekerjaan yang memakan waktu, terutama jika terdapat banyak esai yang perlu dinilai. Ini bisa menyebabkan kelelahan bagi pengajar dan berisiko mengurangi kualitas respon yang diberikan. Long-Short Term Memory (LSTM) memiliki potensi sebagai sistem umpan balik dalam bahasa Indonesia. Sebagai salah satu jenis algoritma dalam keluarga Recurrent Neural Network (RNN), LSTM unggul dalam mengatasi struktur data sekuensial yang kompleks, seperti teks esai, dan mampu mengidentifikasi pola serta hubungan antar kata-kata dalam teks secara akurat. Oleh karena itu, penelitian ini bertujuan untuk mengimplementasikan sistem umpan balik pada AES berbahasa Indonesia dengan menggunakan algoritma LSTM. Implementasi LSTM kemudian dilakukan untuk pengembangan umpan balik dengan output berupa kalimat umpan balik berjenis positif dan negatif dan AES dengan output berupa skor dengan range satu hingga empat. Model umpan balik kemudian diimplementasikan dengan AES sehingga skor yang dikeluarkan oleh AES berpengaruh terhadap jenis kalimat umpan balik yang diberikan.]]>
Copyrights © 2024
