Editorial Ilmu Komputer & AI
Open AccessOA2025
OLAH DATA EKUASI MENGGUNAKAN KOMBINASI GRAPH NEURAL NETWORK (GNN) DALAM MACHINE LEARNING
Pendekatan Berbasis Graf untuk Penyelesaian Persamaan Matematis dengan Akurasi 93,36%
Adamsyach Prana Walidin; Fahra Pebiana Putri; Muhammad Raffi Akbar; Khairul Fahmi Sagala; Fanny Ramadhani· JATI (Jurnal Mahasiswa Teknik Informatika)· 2025· DOI 10.36040/jati.v9i4.14096
Masalah inti
Pengolahan data ekuasi matematis merupakan tantangan dalam pendidikan karena memerlukan pemahaman struktur dan operasi matematis. Penelitian ini memperkenalkan platform edukasi berbasis kecerdasan buatan yang memanfaatkan Graph Neural Network (GNN) untuk mengubah soal matematika menjadi representasi graf. Representasi ini memungkinkan model machine learning untuk memahami hubungan antar variabel dan operator, sehingga dapat menyelesaikan persamaan secara efektif. Implementasi awal telah mencapai Minimum Viable Product (MVP) yang menunjukkan bahwa pendekatan berbasis graf dapat diterapkan dalam konteks pendidikan. Tujuan utama adalah membantu pengguna, terutama pelajar dan pengajar, dalam menyelesaikan tugas akademik seperti ekuasi matematis dengan solusi yang interaktif dan cerdas.
Inovasi
Hasil pelatihan model menunjukkan error loss terbaik sebesar 0,374512. Evaluasi pada pertanyaan matematis menghasilkan akurasi sebesar 93,36%. Angka ini menunjukkan bahwa pendekatan berbasis graf efektif dalam menyelesaikan ekuasi matematis. Model diuji menggunakan dataset soal ekuasi yang telah disiapkan, dan hasilnya konsisten. Secara matematis, error loss dapat direpresentasikan sebagai fungsi kerugian rata-rata:
dengan adalah jumlah sampel, adalah nilai sebenarnya, dan
adalah nilai prediksi. Akurasi 93,36% menunjukkan bahwa model mampu menggeneralisasi dengan baik pada data uji.
Pengolahan data ekuasi matematis merupakan tantangan dalam pendidikan karena memerlukan pemahaman struktur dan operasi matematis. Penelitian ini memperkenalkan platform edukasi berbasis kecerdasan buatan yang memanfaatkan Graph Neural Network (GNN) untuk mengubah soal matematika menjadi representasi graf. Representasi ini memungkinkan model machine learning untuk memahami hubungan antar variabel dan operator, sehingga dapat menyelesaikan persamaan secara efektif. Implementasi awal telah mencapai Minimum Viable Product (MVP) yang menunjukkan bahwa pendekatan berbasis graf dapat diterapkan dalam konteks pendidikan. Tujuan utama adalah membantu pengguna, terutama pelajar dan pengajar, dalam menyelesaikan tugas akademik seperti ekuasi matematis dengan solusi yang interaktif dan cerdas.
Metodologi penelitian ini terdiri dari beberapa tahap: (1) pengumpulan dataset soal ekuasi matematis; (2) transformasi soal menjadi representasi graf, di mana node merepresentasikan operand atau operator, dan edge merepresentasikan hubungan matematis; (3) pelatihan model Graph Neural Network (GNN) untuk mempelajari pola dan menyelesaikan persamaan; (4) evaluasi model menggunakan metrik error loss dan akurasi. GNN dipilih karena kemampuannya menangkap dependensi struktural dalam graf. Model dilatih dengan operator matematis yang telah dideklarasikan, dan proses pelatihan menghasilkan error loss terbaik sebesar 0,374512. Arsitektur GNN yang digunakan dapat digambarkan sebagai berikut:
Mengapa penting
Analisis menunjukkan bahwa representasi graf memungkinkan model untuk memahami struktur matematis secara lebih mendalam dibandingkan pendekatan sekuensial. Namun, terdapat beberapa tantangan, seperti validasi input yang kompleks dan optimasi model untuk meningkatkan akurasi. Kombinasi GNN dengan Large Language Models (LLMs) diusulkan untuk menangani soal yang lebih kompleks dan meningkatkan pemahaman kontekstual. Diskusi juga menyoroti pentingnya pengembangan berkelanjutan untuk menciptakan solusi AI yang lebih interaktif dan cerdas bagi pelajar dan pengajar. Ke depannya, penelitian dapat difokuskan pada peningkatan akurasi dan eksplorasi arsitektur GNN yang lebih canggih.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…