Institutional Repository | Satya Wacana Christian University: Perancangan Aplikasi Tes Esai Online dengan Memanfaatkan Algoritma Latent Semantic Analysis

Perancangan Aplikasi Tes Esai

Online

dengan Memanfaatkan

Algoritma

Latent Semantic Analysis

1)

Asih Sekarsiwi S, 2) Hendry Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Jl. Diponegoro 52-60, Salatiga 50771, Indonesia Email: 1) asih8156@gmail.com, 2) hendry@staff.uksw.edu

Abstrak

Tes esai dianggap sebagai alat yang paling tepat untuk menilai hasil kegiatan belajar yang kompleks karena melibatkan kemampuan mengingat, mengorganisasikan dan mengintegrasikan gagasan yang dimiliki. Pada penelitian ini akan dibuat aplikasi untuk menilai secara otomatis tes esai menggunakan algoritma Latent Semantic Analysis. Metode LSA memiliki beberapa tahap yaitu parsing text dan pencarian sinonim kata, pembobotan dengan Term Frequency-Inverse Document

Frequency (TF-IDF), dekomposisi dan reduksi dengan Singular Value Decomposition (SVD)

dan yang terakhir perhitungan similarity dengan cosine similarity. Dengan menggunakan algoritma LSA dapat dihasilkan nilai dengan patokan kunci jawaban yang sama dan jelas.

Kata Kunci: Tes esai, Latent Semantic Analysis, TF-IDF, Singular Value Decomposition, Cosine Similarity

Abstract

Essay test is reputed to be the most appropriate tool to evaluate the result of learning

because it involves the ability to remember, organize dan intergrate ideas they have. In this

research will be made an application to evaluate essay test automatically using Latent

Semantic Analysis algorithm. LSA algorithm has several steps, parsing text and synonim

searching, weighting using Term Frequency-Inverse Document Frequency (TF-IDF),

decomposition and reduction using Singular Value Decomposition (SVD) and the last

similarity calculation using cosine similarity. By using LSA algorithm can be obtained value

with the clear and same standars keywords.

Keywords :

essay test, Latent Semantic Analysis, Term Frequency-Inverse Document

Frequency, Singular Value Decomposition, Cosine Similarity.