IMPLEMENTASI MODEL FLAN-T5 DALAM PENILAIAN SKOR URAIAN LITERASI MEMBACA INDIVIDU

Fajri Maulana Iskandar, - (2024) IMPLEMENTASI MODEL FLAN-T5 DALAM PENILAIAN SKOR URAIAN LITERASI MEMBACA INDIVIDU. S1 thesis, Universitas Pendidikan Indonesia.

	Text S_KOM_2009576_Title.pdf Download (457kB)
	Text S_KOM_2009576_Chapter1.pdf Download (118kB)
	Text S_KOM_2009576_Chapter2.pdf Restricted to Staf Perpustakaan Download (1MB)
	Text S_KOM_2009576_Chapter3.pdf Download (173kB)
	Text S_KOM_2009576_Chapter4.pdf Restricted to Staf Perpustakaan Download (1MB)
	Text S_KOM_2009576_Chapter5.pdf Download (38kB)
	Text S_KOM_2009576_Appendix.pdf Restricted to Staf Perpustakaan Download (985kB)

Abstract

Penilaian literasi membaca saat ini menghadapi berbagai tantangan, termasuk keterbatasan dalam interpretasi skor dan kurangnya sumber daya untuk melibatkan profesional berpengalaman dalam menilai uraian literasi membaca individu. Penelitian ini bertujuan untuk mengatasi tantangan tersebut dengan mengimplementasikan model FLAN-T5 yang telah dilatih sebelumnya (pretrained) menggunakan teknik machine learning dalam penilaian uraian literasi membaca untuk menghasilkan skornya. Model ini dipilih karena kemampuannya dalam mengolah tugas-tugas pemrosesan bahasa alami dengan memahami hubungan antarfrasa. Pendekatan penelitian ini melibatkan beberapa tahapan, mulai dari pengumpulan data melalui pembuatan soal tes literasi membaca, pembersihan data, transformasi data menjadi dictionary, tokenisasi, pembangunan model FLAN-T5, fine-tuning model, hingga pengujian model yang telah di-tuning. Metode ini dirancang untuk meningkatkan efektivitas dalam pelatihan dan evaluasi model, serta menghasilkan prediksi yang lebih akurat dalam tugas-tugas pemrosesan bahasa alami. Data yang digunakan meliputi teks dan pertanyaan, dengan jawaban sebagai komponen utama yang diproses, sementara skor bertindak sebagai label target untuk mendukung pengembangan model. Hasil penelitian menunjukkan bahwa model ini efektif dalam mengidentifikasi jawaban dengan tingkat akurasi 74% yang konsisten tinggi pada setiap kategori label target. Meskipun terdapat beberapa kesalahan penilaian, terutama pada jawaban dengan skor yang sangat tinggi atau rendah, model ini tetap mampu memberikan gambaran yang cukup akurat mengenai kemampuan literasi membaca individu. The current assessment of reading literacy faces various challenges, including limitations in interpreting scores and a lack of resources to engage experienced professionals in evaluating individual reading literacy descriptions. This research aims to address these challenges by implementing the pre-trained FLAN-T5 model using machine learning techniques in the assessment of reading literacy descriptions to generate scores. This model was chosen for its ability to handle natural language processing tasks by understanding the relationships between phrases. This research approach involves several stages, starting from data collection through the creation of reading literacy test questions, data cleaning, transforming data into a dictionary, tokenization, building the FLAN-T5 model, fine-tuning the model, and finally testing the tuned model. This method is designed to enhance the effectiveness of training and evaluating models, as well as to produce more accurate predictions in natural language processing tasks. The data used includes text and questions, with answers as the main component being processed, while scores serve as target labels to support model development. The research results indicate that this model is effective in identifying answers with an accuracy rate of 74%, consistently high across each category of target labels. Although there are some assessment errors, especially in responses with very high or very low scores, this model is still able to provide a fairly accurate picture of an individual's reading literacy skills.

Item Type:	Thesis (S1)
Additional Information:	ID SINTA Dosen Pembimbing: Lala Septem Riza: 5975668 Rizky Rachman Judhie P: 5993953
Uncontrolled Keywords:	Literasi Membaca, FLAN-T5, Penilaian, Machine Learning, Natutral Language Processing. Reading Literacy, FLAN-T5, Assessment, Machine Learning, Natural Language Processing.
Subjects:	L Education > L Education (General)
Divisions:	Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Ilmu Komputer
Depositing User:	Fajri Maulana Iskandar
Date Deposited:	28 Aug 2024 10:55
Last Modified:	28 Aug 2024 10:55
URI:	http://repository.upi.edu/id/eprint/121455

Actions (login required)

View Item