Otomasi Cerdas Standardisasi Data Nilai Siswa: Evaluasi Efikasi Multiagen AI Untuk Akselerasi Proses Administrasi Pendidikan

Wayne, Michael (2026) Otomasi Cerdas Standardisasi Data Nilai Siswa: Evaluasi Efikasi Multiagen AI Untuk Akselerasi Proses Administrasi Pendidikan. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5027221037-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (8MB) | Request a copy

Abstract

Analisis NASA-TLX menunjukkan bahwa tugas administratif secara signifikan meningkatkan beban kerja guru sehingga menghabiskan banyak waktu dan menurunkan performa mereka dalam penyusunan laporan dan pemrosesan data siswa. Konsekuensi nyata dari tekanan administratif tersebut terlihat pada awal tahun 2025, ketika banyak terjadi kasus keterlambatan pengisian Pangkalan Data Sekolah dan Siswa (PDSS) untuk Seleksi Nasional Berdasarkan Prestasi (SNBP). Salah satu kasus terjadi pada 322 siswa MAN 2 Medan yang didiskualifikasi dari SNBP akibat kelalaian guru dalam melengkapi input nilai mata pelajaran pada semester 3, 4, dan 5. Hingga saat ini, proses penginputan data nilai siswa melalui template Excel yang disediakan pada laman PDSS masih dilakukan secara manual, dengan pengisian nilai siswa yang dilakukan secara individual pada setiap sel. Sebagai upaya untuk mengatasi permasalahan tersebut, penelitian ini mengimplementasikan sebuah sistem multiagen untuk mempercepat proses penginputan data nilai siswa melalui tiga operasi sederhana pada perangkat lunak spreadsheet, yaitu pembaruan, pembacaan (non-modifying), dan penghapusan sel dalam jumlah besar. Hasil penelitian menunjukkan bahwa sistem multiagen yang menerapkan dekomposisi tugas melalui 4 agen utama—yaitu agen Pengambil Keputusan, agen Pemformat, agen Informan, dan agen Pencari Baris untuk Dihapus—secara keseluruhan menghasilkan keluaran yang lebih unggul dibandingkan sistem agen tunggal. Kinerja terbaik ditunjukkan oleh konfigurasi multiagen yang menggunakan model Gemini 2.5 Flash, yang terbukti mampu mempertahankan tingkat akurasi 100% pada beban maksimal 250 instruksi, sangat kontras dengan sistem agen tunggal yang mengalami penurunan performa drastis hingga mencapai akurasi 15%. Dari sisi efisiensi sumber daya, sistem multiagen hanya mengonsumsi 24.217 token, sementara sistem agen tunggal menghabiskan hingga 361.187 token pada tingkat beban yang sama. Selain itu, sistem multiagen menunjukkan pola waktu eksekusi yang lebih linear dan terprediksi, yakni 542,75 detik untuk memproses seluruh instruksi secara utuh, berbanding terbalik dengan sistem agen tunggal yang menunjukkan fluktuasi waktu akibat kegagalan pemrosesan instruksi.
=========================================================================================================================================
NASA-TLX analysis shows that administrative tasks significantly increase teachers' workload, thereby consuming considerable time and reducing their performance in completing reports and processing student data. The real consequences of this administrative pressure were seen in early 2025, when numerous cases of delays in filling out the Pangkalan Data Sekolah dan Siswa (PDSS) for the Seleksi Nasional Berdasarkan Prestasi (SNBP). One such case involved 322 students at MAN 2 Medan who were disqualified from the SNBP due to teachers' negligence in completing their subject grade input for semesters 3, 4, and 5. To date, the process of entering student grade data through the Excel template provided on the PDSS portal is still carried out manually, as each grade must be entered individually into each cell. As an effort to overcome these problems, this study implements a multi-agent system to expedite the process of inputting student grade data through three simple operations in spreadsheet software: updating, reading (non-modifying), and deleting large numbers of cells. The results of the study indicate that the multi-agent system, which employs task decomposition through four primary agents—specifically the Task Picker, Formatter, Informant, and Get Row(s) for Delete agents—delivers superior overall performance compared to the centralized single-agent system. The results of the study indicate that the multi-agent system overall produces superior output compared to the single-agent system. The best performance is demonstrated by the multi-agent configuration using the Gemini 2.5 Flash model, which is proven to be able to maintain an accuracy level of 100% at a maximum load of 250 instructions, in contrast to the single-AI agent system which experiences a drastic performance decline to an accuracy of 15%. In terms of resource efficiency, the multi-agent system only consumes 24,217 tokens, while the single AI agent system consumes up to 361,187 tokens at the same load level. In addition, the multi agent system shows a more linear and predictable execution time pattern, taking 542.75 seconds to process all instructions completely, in contrast to the single-AI agent system which shows time fluctuations due to instruction processing failures.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Large language model, sistem multiagen, AI multiagen, Large language model, multi-agent system, multi-agent AI
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information Technology > 59201-(S1) Undergraduate Thesis
Depositing User:	Michael Wayne Wayne
Date Deposited:	20 Jan 2026 02:58
Last Modified:	20 Jan 2026 02:58
URI:	http://repository.its.ac.id/id/eprint/129778

Actions (login required)

View Item