Autonomous Leveling Sentence Composer Berbasis Causal Bayesian Network untuk Intelligent Tutoring System

Safrodin, Mohamad (2010) Autonomous Leveling Sentence Composer Berbasis Causal Bayesian Network untuk Intelligent Tutoring System. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 2208205736-Master_thesis.pdf Restricted to Repository staff only Download (32MB)

Abstract

Berikut adalah teks yang sudah dirapikan dan dikoreksi dari tipografi maupun typo hasil OCR, disatukan tanpa alinea baru (tanpa pemisahan paragraf) untuk tiap bagiannya:
1. Abstrak (Bahasa Indonesia)

Dalam Intelligent Tutoring System, pengukuran terhadap tingkat kemampuan bagi pengguna dan sekaligus meresponsnya dengan memberikan tingkat yang sesuai adalah fitur utama. Menyusun kalimat Bahasa Inggris dengan memberikan tingkat kesulitan yang bervariasi dan disesuaikan dengan pengguna adalah sebuah hal yang baru dalam Natural Language Processing, bahkan jika terdapat korpus yang memadai dan lengkap. Penelitian ini menggunakan empat parameter yang merupakan komponen penyusun kalimat dalam tenses Bahasa Inggris, yaitu tenses, type, verb, dan word. Causal Bayesian Network digunakan untuk menyesuaikan tingkat kesulitan dan parameter uncertainty berdasarkan tingkat kesulitan dari salah satu parameter yang diberi penekanan. Hasil pengujian menunjukkan bahwa ALESCO (Autonomous Leveling Sentence Composer) mampu memberikan tingkat kesulitan sesuai yang diinginkan dengan kesalahan rata-rata sebesar 3,8086% untuk level Advance, 4,3035% untuk level Intermediate, dan 13,5178% untuk level Beginner. Level Beginner mempunyai tingkat kesalahan yang cukup tinggi karena kesalahan sedikit dengan pembanding yang mempunyai probabilitas kecil akan mengakibatkan error yang besar.
====================================================================================================================================
The major feature in an Intelligent Tutoring System is measuring the level of ability of the user or student and responding by providing the appropriate level. Composing English sentences by providing varying levels of difficulty that correspond to the user's level is a challenging task in Natural Language Processing, even if there is a sufficient and complete corpus. Using four parameters that are components of sentences in English tenses—namely tenses, type, verb, and word—a Causal Bayesian Network is used to adjust the level of difficulty and uncertainty parameters based on the emphasis placed on a specific difficulty level parameter. The results show that ALESCO (Autonomous Leveling Sentence Composer) is able to provide the intended level of difficulty with an average error rate of 3.8086% for the Advance level, 4.3035% for the Intermediate level, and 13.5178% for the Beginner level. The Beginner level has a fairly high error rate because small deviations when compared against small probabilities lead to large relative errors.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Autonomous Leveling, Sentence Composer, Causal Bayesian Network, Intelligent Tutoring System.
Subjects:	T Technology > TE Highway engineering. Roads and pavements > TE228.3 Intelligent transportation systems.
Divisions:	Faculty of Electrical Technology > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	magang .
Date Deposited:	28 Sep 2026 00:46
Last Modified:	28 Sep 2026 00:46
URI:	http://repository.its.ac.id/id/eprint/144915

Actions (login required)

View Item