Ida Wahyuni Wayan Firdaus Mahmudy

Presentasi berjudul: "Ida Wahyuni Wayan Firdaus Mahmudy"— Transcript presentasi:

1 Ida Wahyuni Wayan Firdaus Mahmudy
PEMBOBOTAN PENILAIAN UJIAN PILIHAN GANDA MENGGUNAKAN ALGORITMA GENETIKA Ida Wahyuni Wayan Firdaus Mahmudy Program Studi Magister Ilmu Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya 2016

2 Pendahuluan Ujian Soal Pilihan Ganda Soal Bobot 1 2 3 4 5 9 6 5 7 2
Kesamaan nilai dapat diminimalkan Urutan kompetensi akan tergambar Penilaian dengan bobot yang sama dapat mempengaruhi proses penilaian peserta didik (Reich, 2013)

3 Representasi Kromosom
Pembahasan Tujuan Optimasi bobot dalam soal pilihan ganda agar didapatkan hasil ujian yang optimal menggunakan algoritma genetika. Representasi Kromosom b1 b2 b3 b4 b5 b6 b7 b8 …… bi b = bobot soal Representasi Integer 30 Gen

4 Methodologi Proses Algoritma Genetika
Penghitungan Nilai Fitness dengan Korelasi Spearman Pembentukan Populasi Crossover Selection Mutation Best Cromosome

5 Pembentukan Populasi 10 kromosom 10 gen Range [2,10] Kromosom Gen 1 2
3 4 5 6 7 8 9 10 K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 10 kromosom 10 gen Range [2,10]

6 Penghitungan Nilai Fitness
Korelasi Spearman Korelasi data berdasarkan peringkat Korelasi Peringkat Sebenarnya Peringkat hasil GA rs = korelasi rank Spearman di = selisih peringkat data ke-i n = jumlah data

7 Penghitungan Nilai Fitness
Kromosom Gen 1 2 3 4 5 6 7 8 9 10 K1 Bi*Si ∑Bi*Si 56 Penghitungan Nilai dengan Bobot Peserta Didik ∑Bi*Si Peringkat GA Peringkat Sebenarnya di di2 1 56 2 54 3.5 1.5 2.25 3 0.5 0.25 4 55 -2 5 52 6 51 7 53 8 48 10 9 49 50 ∑di2 20.5 Korelasi Spearman / Fitness Kromosom K1 Fitness dengan Korelasi Spearman

8 Penghitungan Nilai Fitness
Fitness Setiap Kromosom Individu Fitness K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 Crossover REPRODUKSI Mutasi

9 Multi Cut Point Crossover Offspring = cr * popSize
Induk Gen 1 2 3 4 5 6 7 8 9 10 Kromosom 1 Kromosom 9 Offspring Offspring 1 Offspring 2 cr = 0.95 Offspring = cr * popSize

10 Mutasi Biner (Binary Mutation) Offspring = mr * popSize

11 Diurutkan berdasarkan nilai fitness terbaik
Seleksi Seleksi Elits Kromosom Fitness K1 Offspring 1 K7 K2 Offspring 2 K3 Offspring 3 K6 K9 K8 Parent Seleksi elits merupakan strategi deterministik yang menjamin sejumlah popSize dengan kromosom terbaik (dari kumpulan parent dan offspring) dipilih untuk lulus ke generasi berikutnya (Jafarian, 2010). + Offspring Diurutkan berdasarkan nilai fitness terbaik

12 Korelasi dengan Pembobotan 0.6737486 Korelasi tanpa Pembobotan
Result Simulasi Pengujian 30 Mahasiswa PopSize = 30 Korelasi dengan Pembobotan 30 Soal Pilihan Ganda 1 Kromosom = 30 Gen 25 Jawaban Benar cr = 0.95 mr = 0.05 Korelasi tanpa Pembobotan 0.5 5 Jawaban Salah MaxGen = 30 Generasi

13 Kesimpulan Korelasi yang didapatkan untuk kombinasi pembobotan yang paling optimal adalah Hasil korelasi tersebut mempunyai maka korelasi tinggi, artinya ada keterkaitan yang cukup tinggi antara peringkat pakar dan peringkat hasil pembobotan algoritma (Sari & Mahmudy, 2015) . Hasil korelasi tersebut masih mempunyai kemungkinan untuk bertambah tinggi tergantung pada banyaknya soal ujian yang dipakai dan jumlah jawaban benar dan jawaban salah yang bervariasi. Penelitian selanjutnya: Representasi real coded genetic algorithms (RCGA) untuk menentukan bobot yang semakin mendekati optimal. Digunakan hybrid genetic algorithm (HGA) untuk meningkatkan performa dari RCGA (Mahmudy, Marian, & Luong, 2014).

14 References Jafarian, J. (2010). An Experiment to Study Wandering Salesman Applicability on Solving the Travelling Salesman Problem based on Genetic Algorithm. International Conference on Educational and Information Technology (ICEIT 2010) An, (Iceit), 1–7. Mahmudy, W. F. (2014). Optimasi Penjadwalan Two-Stage Assembly Flowsop. Konferensi Nasional Sistem Informasi (KNSI), STMIK Dipanegara, Makassar, 27 Februari - 1 Maret, 478–483. Mahmudy, W. F., Marian, R. M., & Luong, L. H. S. (2013). Modeling and Optimization of Part Type Selection and Loading Problem in Flexible Manufacturing System Using Real Coded Genetic Algorithms. International Journal of Electrical, Computer, Energetic, Electronic and Communication Engineering, 7(4), 251–260. Lesage, E., Valcke, M., & Sabbe, E. (2013). Studies in Educational Evaluation Scoring methods for multiple choice assessment in higher education – Is it still a matter of number right scoring or negative marking ? Studies in Educational Evaluation, 39(3), 188– Mahmudy, W. F. (2013). Optimization of Part Type Selection and Loading Problem with Alternative Production Plans in Flexible Manufacturing System using Hybrid Genetic Algorithms – Part 2 : Genetic Operators and Results th International Conference on Knowledge and Smart Technology (KST) Optimization, 81–85.

15 References Mahmudy, W. F., Marian, R. M., & Luong, L. H. S. (2014). Hybrid genetic algorithms for part type selection and machine loading problems with alternative production plans in flexible manufacturing system Hybrid Genetic Algorithms for Part Type Selection and Machine Loading Problems with Alternative Production Pl. ECTI Transactions on Computer and Information Technology, 8(February 2016). Retrieved from Santika, G. D., & Mahmudy, W. F. (2015). Penentuan Pemasok Bahan Baku Menggunakan Fuzzy Inference System Tsukamoto. Seminar Nasional Sistem Informasi Indonesia, 2-4 Nopember, 1–8. Sari, N. R., & Mahmudy, W. F. (2015). Fuzzy Inference System Tsukamoto untuk Menentukan Kelayakan Calon Pegawai. Seminar Nasional Sistem Informasi Indonesia, 2-4 Nopember 2015, (2002), 2–4. Pate, A., & Caldwell, D. J. (2014). Effects of multiple-choice item-writing guideline utilization on item and student performance. Currents in Pharmacy Teaching and Learning, 6(1), 130– Wahyuni, I. (2014). Pembuatan Aplikasi Media Ujian Cerdas Mneggunakan Algoritma Genetika Berbasis Mobile. STMIK Asia Malang, 1–7. Reich, G. A. (2013). The Journal of Social Studies Research Imperfect models , imperfect conclusions : An exploratory study of multiple-choice tests and historical knowledge. The Journal of Social Studies Research, 37(1), 3–16.

16 Thanks for attention . . .