Seminar Automatic Essay Scoring
Proses pendidikan yang berkualitas berkolaborasi dengan perkembangan teknologi informasi dan komunikasi merupakan kombinasi yang tepat pada era Industri 4.0 untuk menyelenggarakan suatu proses belajar mengajar yang dapat menjawab tantangan saat ini. Keterlibatan stakeholder pendidikan dalam suatu proses penelitian, pengembangan, implementasi dan evaluasi menjadi sangat krusial.
Automatic Essai Scoring dengan Analisis Big Data
Tim Peneliti
- Ketua Tim : Dr. Mardhani Riasetiawan
- Peneliti : Yunita Sari, Ph.D, Guntur Budi Herwanto, M.Cs, Dr. Safari (Puspendik Kemendikbud), Drs. Bambang N Prastowo, M.Sc, Isna Alfi Busthoni, Indra Hidayatullah (UNY)
- Tahun Kegiatan : 2019
Tes dengan jenis jawaban essay diperlukan untuk mengukur pemahaman siswa secara komprehensif. Akan tetapi, penerapan jenis soal essay biasanya terkendala oleh kompleksitas dalam penilaian yang memerlukan waktu dan juga tenaga yang tidak sedikit. Berdasarkan permasalahan tersebut, maka diperlukan sistem yang dapat menilai jawaban essay secara otomatis sehingga akan meminimalisir waktu dan tenaga yang digunakan. Pada tahun 2017 sampai dengan 2018, tim peneliti telah mencoba menyelesaikan permasalahan essay scoring secara otomatis. Eksplorasi metode yang telah dilakukan dimulai dari similaritas sederhana, hingga pembelajaran mesin dengan metode supervised learning. Berbekal pengalaman yang telah didapat, penelitian ini, akan mengeksplorasi beberapa metode lain termasuk diantaranya metode pembobotan, algoritma supervised learning yang berbeda serta algoritma semi-supervised learning. Untuk metode pembobotan, penelitian ini mengadopsi metode TF-IDF-DF yang telah terbukti efektif pada penelitian serupa. Metode lain dengan representasi word embedding yang dikombinasikan dengan algoritma supervised learning juga akan dieksplor dalam penelitian ini. Dengan metode ini, informasi semantik pada jawaban siswa bisa diperoleh. Untuk mengatasi jumlah data training yang kuantitasnya sedikit, maka penelitian ini akan algoritma semi-supervised learning. Penerapan algoritma semi-supervised learning diharapkan bisa mengurangi waktu dan tenaga yang digunakan untuk membuat data training.
Pengembangan Arsitektur Cyber Physical System dengan Konvergensi IOT, Cloud dan Big Data untuk Pengelolaan Data Besar Kebencanaa
Peneliti : Dr. Mardhani Riasetiawan (2019)
Sistem Siber menjadi menarik untuk diteliti ketika tantangannya untuk menghasilkan sistem siber yang dapat digunakan untuk menyelesaikan permasalahan yang ada di isu Sustainable Development Goals. Hal ini menjadi penting karena pendekatan yang akan dimunculkan harus bersifat multi/inter-disipliner dengan dukungan teknologi yang mengarah pada Industri 4.0. Kebencanaan dalam bencana alam di Indonesia menjadi kejadian dominan di tahun belakangan ini yang menyebabkan kerugian jiwa, material, ekonomi dan lainnya. Pendekatan mitigasi bencana yang lebih menekankan aspek manajemen bencana ketika terjadi bencana, lebih terkesan bersifat defensif dengan membekali sisi preventif dan meminimalisir resiko setelah kejadian bencana.
Analisis Perbandingan Kinerja Pada Container dan Kubernetes Orchestration untuk Manajemen Lingkungan Big Data
Peneliti: Dr. Mardhani Riasetiawan
Virtual machine merupakan perangkat yang sering digunakan di dunia cloud computing, begitu juga dengan Infrastructure as a Service (IaaS) yang sangat erat kaitannya dengan Virtual Machine. Mayoritas Penyedia Virtual Private Server atau yang mengawali munculnya komputasi awan telah menggunakan container namun berpindah dari container menuju VM untuk menjaga konsistensi performa. Konsep dari container seperti namespace sangat mendukung jalannya PaaS, terutama dibagian isolasi resource dan manajemen resource. Linux adalah salah satu sistem operasi yang direkomendasikan untuk cloud dikarenakan dukungan hardware yang bagus, performa yang mumpuni, ekosistem yang luas, dan reliabilitas yang tinggi.
