Rancang Bangun Graph Database untuk Retrieval Augmented Generation pada Sistem Pembelajaran Adaptif

Rai Indrawan, Samuel (2026) Rancang Bangun Graph Database untuk Retrieval Augmented Generation pada Sistem Pembelajaran Adaptif. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (697kB)
	PDF BAB_I.pdf Download (368kB)
	PDF BAB_II.pdf Download (590kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (517kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (3MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (265kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (241kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000066852_2521_LembarPengesahan.pdf Restricted to Registered users only Download (64kB)

Abstract

Sistem pembelajaran adaptif umumnya mengatur urutan kurikulum dan melacak kemajuan belajar lewat lapisan aplikasi. Hal ini membuat urutan pengajaran mudah terganggu ketika komponen-komponen sistem tidak berjalan sinkron satu sama lain. Oleh karena itu, penelitian ini merancang dan membangun skema graph database dengan arsitektur Hierarchical Graph-Augmented RAG untuk pembelajaran pemrograman Python, yang menanamkan aturan prasyarat kurikulum dan algoritma Bayesian Knowledge Tracing (BKT) langsung di level basis data Neo4j, pada dataset 655 topik dan 4.701 unit materi yang terhubung lewat 4.637 relasi prasyarat. Evaluasi dilakukan pada tiga aspek: performa graph database, kualitas hasil retrieval, dan akurasi mekanisme BKT. Hasil pengujian menunjukkan Neo4j mencatat pertumbuhan latensi menurun seiring kedalaman graph bertambah pada skala produksi dan lebih cepat pada kueri Prerequisite Chain (21,87 ms berbanding 107,66 ms PostgreSQL), strategi Graph-Augmented RAG mencapai skor RAGAS 69,63% dengan Context Precision 9,98 poin lebih tinggi dibanding Vector-Only, dan implementasi BKT di Cypher menghasilkan hasil yang identik dengan implementasi referensi Python pada seluruh 181 langkah keputusan yang diuji. Temuan ini menunjukkan graph database bisa menjadi dasar yang layak bagi sistem pembelajaran adaptif berbasis RAG untuk LLM, meskipun pengujian hanya berfokus pada infrastruktur sistem dan dampaknya terhadap hasil belajar pengguna belum diuji secara langsung dalam penelitian ini.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Rai Indrawan, Samuel (00000066852)
Contributors:	Setiawan, Johan
Keywords:	Bayesian Knowledge Tracing, basis data graf, Neo4j, Retrieval- Augmented Generation, Socratic Tutor
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	09 Jul 2026 07:58
URI:	https://kc.umn.ac.id/id/eprint/47277

Actions (login required)

View Item