Pengembangan Modul Latihan Tata Bahasa Inggris Berbasis Transformer Untuk Siswa Sekolah Menengah

Izzati, Fatiya (2026) Pengembangan Modul Latihan Tata Bahasa Inggris Berbasis Transformer Untuk Siswa Sekolah Menengah. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5025221187-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (9MB) | Request a copy

Abstract

Kemampuan berbahasa Inggris masyarakat Indonesia masih tergolong rendah, salah satunya disebabkan oleh lemahnya penguasaan tata bahasa (grammar) sebagai fondasi dalam menyusun kalimat yang tepat secara struktur maupun makna. Di sisi lain, penyusunan soal latihan grammar oleh guru masih memerlukan waktu dan tenaga yang besar, sementara aplikasi pembelajaran grammar yang ada saat ini umumnya hanya menyediakan bank soal umum yang bersifat statis dan tidak dapat disesuaikan dengan teks atau materi ajar guru. Tugas akhir ini mengembangkan fitur soal isian kalimat rumpang (fill-in-the-blank) pada platform pembelajaran bahasa Inggris berbasis web yang selaras dengan capaian pembelajaran Kurikulum Merdeka jenjang SMP dan SMA sebagai kelanjutan dari penelitian media pembelajaran bahasa Inggris pada fase sebelumnya. Proses utama sistem diawali dengan deteksi jenis tenses menggunakan model transformer-based, yaitu BERT dan DeBERTa, dilanjutkan dengan pemetaan struktur kalimat (Subject-Verb-Object) menggunakan pustaka spaCy untuk menentukan bagian kalimat yang dikosongkan. Distractor atau pilihan jawaban pengalih dihasilkan melalui pendekatan rule-based verb transformation dengan mengubah bentuk kata kerja ke dalam variasi 16 tenses bahasa Inggris. Model klasifikasi tenses dilatih dan dievaluasi melalui skema baseline, Hyperparameter Optimization menggunakan Optuna, serta penanganan ketidakseimbangan kelas menggunakan Class Weights dan Focal Loss. Hasil evaluasi menunjukkan bahwa model DeBERTa dengan konfigurasi hasil Hyperparameter Optimization memberikan kinerja terbaik, dengan rata-rata F1-Macro sebesar 0,9788 pada 5-Fold Cross Validation dan F1-Macro sebesar 0,9794 pada data pengujian akhir. Fitur aplikasi kemudian diuji menggunakan metode Black Box Testing terhadap 11 test case yang mencakup 12 kebutuhan fungsional sistem, dengan pengujian dilakukan oleh 38 responden yang terdiri atas 18 guru (SMP, SMA, dan private teacher/course) dan 20 siswa (SD, SMP, dan SMA), serta seluruh kebutuhan fungsional memperoleh hasil Pass. Evaluasi pengguna terhadap responden yang sama menghasilkan rata-rata skor Likert antara 4,10 hingga 4,51 pada seluruh kategori penilaian, yang berada pada kategori Setuju hingga Sangat Setuju. Hasil tersebut menunjukkan bahwa model dan fitur yang dikembangkan mampu mengidentifikasi tenses secara akurat, menghasilkan soal isian kalimat rumpang yang relevan, serta diterima dengan baik oleh guru dan siswa sebagai media latihan grammar bahasa Inggris.
======================================================================================================================================
English proficiency among Indonesians remains relatively low, partly due to inadequate mastery of grammar, which serves as the foundation for constructing grammatically and semantically correct sentences. On the other hand, preparing grammar exercises requires considerable time and effort from teachers, while existing grammar learning applications generally provide only static question banks that cannot be adapted to teachers' instructional texts or learning materials. This undergraduate thesis develops a fill-in-the-blank question generation feature for a web-based English learning platform aligned with the Merdeka Curriculum learning outcomes for junior and senior high school levels, as a continuation of previous research on English learning media. The system begins by detecting sentence tenses using transformer-based models, namely BERT and DeBERTa, followed by sentence structure (Subject–Verb–Object) mapping using the spaCy library to determine which part of the sentence should be blanked. Distractors are generated through a rule-based verb transformation approach by converting verbs into variations of the 16 English tenses. The tense classification models were trained and evaluated using a baseline approach, Hyperparameter Optimization with Optuna, and class imbalance handling through Class Weights and Focal Loss. The evaluation results indicate that the DeBERTa model with the Hyperparameter Optimization configuration achieved the best performance, obtaining an average Macro F1-score of 0.9788 in 5-Fold Cross Validation and a Macro F1-score of 0.9794 on the final test set. The application features were subsequently evaluated using Black Box Testing on 11 test cases covering 12 functional requirements, with testing conducted by 38 respondents consisting of 18 teachers (junior high school, senior high school, and private teachers/course instructors) and 20 students (elementary, junior high, and senior high school), and all functional requirements passed successfully. User evaluation involving the same respondents produced average Likert scores ranging from 4.10 to 4.51 across all evaluation categories, corresponding to the Agree and Strongly Agree categories. These results demonstrate that the proposed model and application feature can accurately identify English tenses, generate relevant fill-in-the-blank exercises, and are well accepted by teachers and students as a medium for practicing English grammar.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	BERT, DeBERTa, Fill in the Blank, Kurikulum Merdeka, Tenses Classification, BERT, DeBERTa, Fill in the Blank, Kurikulum Merdeka, Tenses Classification.
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Fatiya Izzati
Date Deposited:	22 Jul 2026 06:27
Last Modified:	22 Jul 2026 06:27
URI:	http://repository.its.ac.id/id/eprint/136449

Actions (login required)

View Item