PERBANDINGAN TF-IDF DAN WORD2VEC PADA PENGGUNAAN METODE GENERALIZED LATENT SEMANTIC ANALYSIS (GLSA) DALAM OTOMATISASI PENILAIAN ESAI

Penilaian esai merupakan salah satu metode untuk mengevaluasi kemampuan siswa dalam memahami materi pelajaran, namun proses penilaian ini sering kali memakan waktu lama karena harus dilakukan secara manual. Untuk mengatasi masalah ini, sistem penilaian esai otomatis (Automatic Essay Scoring) menjadi solusi yang efektif. Penelitian ini membandingkan dua teknik representasi teks, yaitu TF-IDF dan Word2Vec, dengan menerapkan metode Generalized Latent Semantic Analysis (GLSA). Dalam penelitian ini, jarak kesamaan dokumen diukur menggunakan Cosine Similarity, Dice Similarity, dan Jaccard Similarity. Metode GLSA digunakan untuk mengatasi masalah urutan kata dengan menggunakan teknik N-gram, serta menghitung nilai vektor dan eigen dari dokumen-dokumen tersebut dengan algoritma Singular Value Decomposition (SVD). Penelitian ini bertujuan untuk menentukan nilai Root Mean Square Error (RMSE) terbaik dari metode GLSA dengan TF-IDF dan Word2Vec pada penilaian esai otomatis jawaban pendek Ilmu Pengetahuan Alam (IPA) yang dilakukan di MTS Negeri 1 Sumenep. Hasil pengujian menunjukkan bahwa pada metode TF-IDF, trigram menghasilkan RMSE terbaik untuk Cosine Similarity sebesar 0.0861%, sementara bigram unggul untuk Dice Similarity dengan RMSE 0.0697%, dan unigram memberikan performa terbaik untuk Jaccard Similarity dengan RMSE 0.0613%. Sebaliknya, pada metode Word2Vec, bigram menunjukkan performa terbaik untuk Cosine dan Jaccard Similarity dengan nilai RMSE masing-masing sebesar 0.0684%, sedangkan trigram unggul untuk Dice Similarity dengan RMSE 0.0811%. Hasil ini menunjukkan bahwa Word2Vec lebih efektif dalam menangkap hubungan semantik antar kata pada konteks yang kompleks, sedangkan TF-IDF lebih unggul pada representasi sederhana. Penelitian ini memberikan kontribusi penting untuk mendukung otomatisasi penilaian esai pendek dengan hasil yang akurat dan menjadi acuan untuk penelitian lanjutan.