ATMI Repository

Penilaian latihan pemrograman web mahasiswa yang dikumpulkan melalui Moodle secara manual menghadapi beban kerja besar, mengingat variasi format submission (HTML/CSS/JavaScript langsung, arsip ZIP/RAR, tautan GitHub, atau dokumen PDF/DOCX berisi cuplikan layar kode) serta risiko inkonsistensi penilaian. Penelitian ini mengembangkan dan mengevaluasi Lab3Evaluator, sistem evaluasi otomatis berbasis Python yang menilai submission HTML, CSS, Bootstrap, JavaScript, PHP, dan Laravel pada skala 0-100 secara konsisten. Metode meliputi pipeline ekstraksi konten multi-format — pembacaan langsung HTML/ZIP/RAR, penelusuran tautan GitHub, serta OCR (PyMuPDF dan Tesseract) untuk submission PDF/DOCX — diikuti penilaian berbasis pencocokan pola (regex) terhadap kriteria berjenjang, dengan tiga mode pencocokan (seluruh pola wajib cocok, satu pola cukup, atau minimal N pola) untuk mengakomodasi variasi gaya kode. Hasil disajikan sebagai CSV, Excel, JSON, dan situs web inkremental. Sistem diuji pada 13 modul evaluator satu semester kurikulum Program Studi Teknologi Rekayasa Mekatronika, dari Git dasar hingga autentikasi Laravel Breeze, pada dataset kelas Latihan_TRMK2026 (53 mahasiswa). Hasil menunjukkan rata-rata nilai keseluruhan 85,4 dari 100 (92,0 dari submission saja), variasi rata-rata antar-modul 62,7-97,9, dan tingkat submission rata-rata 93,0%. Modul dengan pencocokan pola toleran konsisten menghasilkan nilai lebih tinggi dan lebih tahan terhadap variasi implementasi mahasiswa. Penelitian ini menyimpulkan bahwa kombinasi OCR dan pencocokan pola berjenjang layak untuk otomatisasi penilaian tugas pemrograman web skala kelas, dengan syarat kriteria regex dirancang toleran terhadap variasi format dan kesalahan OCR.