Perpustakaan Digital ITB

Analisis capaian pembelajaran lulusan menjadi salah satu hal yang diperlukan dalam melakukan continous improvement dalam kurikulum yang digunakan. Permasalahan ini termasuk ke dalam task klasifikasi multi-label. Namun, belum terdapat data yang memiliki ground truth, dan proses anotasinya membutuhkan waktu yang cukup lama. Oleh karena itu, dalam tugas akhir ini dilakukan pengelompokan teks bersifat soft clustering ke dalam kompetensi. Dalam melakukan pengelompokan teks, sentence embedding menunjukkan hasil yang sangat baik dibandingkan dengan embedding pada granularitas tingkat kata. Tugas akhir ini melakukan analisis capaian pembelajaran lulusan dengan menghasilkan nilai akhir yang didapatkan dari hasil kali dari bobot dan nilai representasi kompetensi. Bobot diperoleh melalui eksperimen pembangunan alternatif model soft clustering yaitu fuzzy c-means, gaussian mixture models serta perhitungan semantic similarity score. Sementara itu, representasi nilai setiap kompetensi diperoleh dengan implementasi algoritma weiszfeld algorithm. Hasil eksperimen dan pengujian menunjukkan model fuzzy c-means dengan menggunakan variasi model sentence embedding all-mpnet-base-v2 menunjukkan hasil paling baik dengan macro average F-1 score 0.73, micro average f-1 score 0.63, dan weighted average f-1 Score 0.69 dibandingkan dengan variasi lainnnya.