eprintid: 139494 rev_number: 54 eprint_status: archive userid: 218633 dir: disk0/00/13/94/94 datestamp: 2025-09-18 01:50:40 lastmod: 2025-09-18 01:50:40 status_changed: 2025-09-18 01:50:40 type: thesis metadata_visibility: show creators_name: Mohamad Asyqari Anugrah, - creators_name: Rani Megasari, - creators_name: Yaya Wihardi, - creators_nim: NIM21002204 creators_nim: NIDN24058703 creators_nim: NIDN25038901 creators_id: asyqari@upi.edu creators_id: megasari@upi.edu creators_id: yayawihardi@upi.edu contributors_type: http://www.loc.gov/loc.terms/relators/THS contributors_type: http://www.loc.gov/loc.terms/relators/THS contributors_name: Rani Megasari, - contributors_name: Yaya Wihardi, - contributors_nidn: NIDN24058703 contributors_nidn: NIDN25038901 contributors_id: megasari@upi.edu contributors_id: yayawihardi@upi.edu title: CLUSTERING FOTO JAWABAN ESAI MENGGUNAKAN METODE DEEP CLUSTERING ispublished: pub subjects: QA subjects: T1 divisions: ILKOM full_text_status: restricted keywords: Image Clustering, DeepCluster, Vision Transformer (ViT), Convolutional Neural Networ (CNN), Esai Tulisan Tangan Image Clustering, DeepCluster, Vision Transformer, Convolutional Neural Network, Handwritten-Essay note: https://scholar.google.com/citations?view_op=list_works&hl=id&authuser=2&user=bXW8-_4AAAAJ ID SINTA Dosen Pembimbing Rani megasari : 5992674 Yaya wihardi : 5994413 abstract: Penelitian ini mengeksplorasi penggunaan metode deep clustering untuk mengelompokkan lembar jawaban esai tulisan tangan secara otomatis berdasarkan pola visualnya. Ekstraksi fitur dilakukan menggunakan tiga model backbone: ResNet-50, Vision Transformer (ViT-base), dan Tr-OCR. Fitur-fitur tersebut kemudian dikelompokkan menggunakan dua algoritma tanpa pengawasan—K-means dan HDBSCAN. Untuk meningkatkan performa klastering, pendekatan deep clustering diterapkan dengan menjalankan K-means secara iteratif guna memperbaiki representasi fitur. Evaluasi dilakukan secara kuantitatif menggunakan Silhouette Score, Davies-Bouldin Index, dan Calinski-Harabasz Score, serta secara kualitatif melalui visualisasi t-SNE dan inspeksi konten klaster. Backbone ViT dan Tr-OCR menunjukkan performa yang lebih baik dibandingkan dengan CNN berbasis ResNet-50, dengan kohesi dan pemisahan klaster yang lebih tinggi. Pada Hasil klastering menunjukan bahwa algoritma K-Means lebih baik dalam menghasilkan klaster dibandingkan HDBSCAN yang kesulitan membentu klaster pada data berdimensi tinggi yang menyebabkan jarak antar pada ruang dimensi yang saling berjauhan. Hal ini dibuktikan dengan K-Means yang mampu membentuk klaster pada tahap initial clustering tidak seperti HDBSCAN. Temuan ini menunjukkan bahwa model berbasis vision transformer dan penggunaan algoritma K-Means lebih efektif untuk pengelompokan tanpa pengawasan terhadap data visual tulisan tangan. Hasil penelitian ini dapat membantu pendidik dalam mempercepat dan mengobjektifkan proses penilaian dan dapat menjadi acuan bagi peneliti selanjutnya dalam menentukan model dan algoritma yang lebih baik untuk penelitian selanjutnya. date: 2025-08-28 date_type: published institution: Universitas Pendidikan Indonesia department: KODEPRODI83207#Pendidikan Ilmu Komputer_S1 thesis_type: other thesis_name: other official_url: https://repository.upi.edu/ related_url_url: https://repository.upi.edu/ related_url_type: org citation: Mohamad Asyqari Anugrah, - and Rani Megasari, - and Yaya Wihardi, - (2025) CLUSTERING FOTO JAWABAN ESAI MENGGUNAKAN METODE DEEP CLUSTERING. S1 thesis, Universitas Pendidikan Indonesia. document_url: http://repository.upi.edu/139494/5/S_KOM_2102204_Title.pdf document_url: http://repository.upi.edu/139494/1/S_KOM_2102204_Chapter1.pdf document_url: http://repository.upi.edu/139494/3/S_KOM_2102204_Chapter2.pdf document_url: http://repository.upi.edu/139494/2/S_KOM_2102204_Chapter3.pdf document_url: http://repository.upi.edu/139494/4/S_KOM_2102204_Chapter4.pdf document_url: http://repository.upi.edu/139494/7/S_KOM_2102204_Chapter5.pdf document_url: http://repository.upi.edu/139494/8/S_KOM_2102204_Appendix.pdf