ZULFIKRI, Luthfi Arie (2026) Pemodelan Penilaian Esai Otomatis Bahasa Indonesia Menggunakan IndoBERT dan Arsitektur BiLSTM-Attention. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Luthfi Arie Zulfikri-H1D022061-Skripsi-2026.pdf Download (135kB)
	PDF (Legalitas) LEGALITAS-Luthfi Arie Zulfikri-H1D022061-Skripsi-2026.pdf Restricted to Repository staff only Download (830kB)
	PDF (Abstrak) ABSTRAK-Luthfi Arie Zulfikri-H1D022061-Skripsi-2026.pdf Download (240kB)
	PDF (BabI) BAB-I-Luthfi Arie Zulfikri-H1D022061-Skripsi-2026.pdf Restricted to Repository staff only until 28 April 2027. Download (229kB)
	PDF (BabII) BAB-II-Luthfi Arie Zulfikri-H1D022061-Skripsi-2026.pdf Restricted to Repository staff only until 28 April 2027. Download (491kB)
	PDF (BabIII) BAB-III-Luthfi Arie Zulfikri-H1D022061-Skripsi-2026.pdf Restricted to Repository staff only until 28 April 2027. Download (657kB)
	PDF (BabIV) BAB-IV-Luthfi Arie Zulfikri-H1D022061-Skripsi-2026.pdf Restricted to Repository staff only Download (2MB)
	PDF (BabV) BAB-V-Luthfi Arie Zulfikri-H1D022061-Skripsi-2026.pdf Download (193kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Luthfi Arie Zulfikri-H1D022061-Skripsi-2026.pdf Download (226kB)
	PDF (Lampiran) LAMPIRAN-Luthfi Arie Zulfikri-H1D022061-Skripsi-2026.pdf Restricted to Repository staff only Download (146kB)

Abstract

Proses penilaian esai secara manual kerap membutuhkan waktu yang lama dan memiliki kerentanan terhadap bias subjektivitas penilai. Di sisi lain, upaya pengembangan Automated Essay Scoring (AES) untuk bahasa Indonesia masih terkendala oleh minimnya korpus berlabel serta tingginya kompleksitas linguistik yang khas. Untuk mengatasi permasalahan tersebut, penelitian ini bertujuan merancang sekaligus mengevaluasi keandalan model AES berbahasa Indonesia. Pendekatan yang diusulkan adalah arsitektur hibrida yang mengintegrasikan IndoBERT, Bidirectional Long Short-Term Memory (BiLSTM), dan mekanisme Self-Attention. Proses pelatihan dan pengujian model memanfaatkan dataset PERSUADE 2.0 yang telah dialihbahasakan secara presisi ke dalam bahasa Indonesia menggunakan arsitektur machine translation NLLB-200. Pada tahap pelatihan, penelitian ini mengimplementasikan fungsi Weighted Smooth L1 Loss guna memitigasi masalah ketimpangan kelas. Langkah tersebut kemudian dipadukan dengan teknik optimasi ambang batas berbasis Nelder-Mead untuk memetakan prediksi regresi yang bersifat kontinu ke dalam ruang ordinal. Hasil evaluasi menunjukkan bahwa integrasi arsitektur IndoBERT-BiLSTM-Attention mampu menghasilkan performa yang optimal. Kinerja ini dibuktikan dengan perolehan metrik Quadratic Weighted Kappa (QWK) sebesar 0,8508, Exact Accuracy sebesar 63,27%, dan Mean Absolute Error (MAE) sebesar 0,4277. Selain itu, metode kalibrasi kelas yang diaplikasikan terbukti krusial dalam meningkatkan presisi pada kelompok skor minoritas ekstrem hingga mencapai 18,37%. Peningkatan tersebut didukung oleh tingkat stabilitas kinerja yang telah divalidasi menggunakan Bootstrap Confidence Intervals 95% pada rentang nilai [0,8426; 0,8586]. Temuan dari penelitian ini memberikan kontribusi metodologis yang signifikan terhadap kemajuan sistem AES berbahasa Indonesia. Model yang dikembangkan memiliki potensi untuk diimplementasikan sebagai instrumen penunjang evaluasi pendidikan yang lebih efisien, terukur, dan objektif.

Item Type:	Thesis (Skripsi)
Nomor Inventaris:	H26103
Uncontrolled Keywords:	Automated Essay Scoring, Bahasa Indonesia, BiLSTM, IndoBERT, Mekanisme Attention, Weighted Huber Loss
Subjects:	M > M147 Measuring instruments
Divisions:	Fakultas Teknik > S1 Teknik Informatika
Depositing User:	Mr. LUTHFI ARIE ZULFIKRI
Date Deposited:	28 Apr 2026 03:44
Last Modified:	28 Apr 2026 03:44
URI:	http://repository.unsoed.ac.id:443/id/eprint/40798

Actions (login required)

View Item