School of Data Science, Mathematic and Informatics http://repository.ipb.ac.id/handle/123456789/160869 2026-08-07T11:02:04Z 2026-08-07T11:02:04Z Siregar, Riki Ruli Affandi http://repository.ipb.ac.id/handle/123456789/177562 2026-08-07T03:32:57Z 2026-01-01T00:00:00Z

Multimodal Spatio-Temporal Domain Adaptation Untuk Klasifikasi Fase Fenologi Padi Pada Pertanian Vertikal Siregar, Riki Ruli Affandi Penelitian ini dilatarbelakangi oleh semakin terbatasnya lahan pertanian produktif untuk budidaya padi, yang disebabkan oleh alih fungsi lahan, urbanisasi, serta perubahan iklim. Kondisi ini mendorong kebutuhan akan inovasi sistem budidaya alternatif yang mampu menjamin keberlanjutan produksi pangan, salah satunya melalui pendekatan vertical farming. Meskipun sistem ini telah banyak diterapkan pada komoditas hortikultura, implementasinya pada tanaman padi masih menghadapi berbagai tantangan, khususnya dalam pemantauan fase pertumbuhan secara akurat akibat kompleksitas interaksi antara morfologi tanaman dan dinamika lingkungan mikro. Tantangan ini menjadi semakin penting pada pengembangan padi fungsional (functional rice) atau padi dengan karakteristik khusus (misalnya tinggi nutrisi atau adaptif terhadap kondisi tertentu), yang membutuhkan kontrol lingkungan secara presisi. Permasalahan ini menjadi semakin penting pada pengembangan padi fungsional yang membutuhkan pengendalian lingkungan secara presisi dan berbasis data. Penelitian ini bertujuan mengembangkan model klasifikasi fase pertumbuhan tanaman padi berbasis multimodal deep learning yang mampu mengintegrasikan data citra tanaman dan data sensor lingkungan, sekaligus memiliki kemampuan adaptasi terhadap perbedaan distribusi data antara lahan sawah konvensional dan lingkungan vertical farming. Model yang diusulkan menggunakan pendekatan Multimodal Spatio-Temporal Domain Adaptation (MST-DA) dengan menggabungkan fitur spasial dari citra tanaman menggunakan CNN dan fitur temporal dari data sensor menggunakan LSTM. Beberapa backbone CNN yang digunakan meliputi ResNet50, MobileNet, VGG19, dan Xception. Model melakukan klasifikasi terhadap delapan kelas fase fenologi tanaman padi, yaitu persemaian, vegetatif awal, anakan maksimum, inisiasi malai, bunting, pengisian gabah, pematangan, dan Pra-Panen. Proses klasifikasi memanfaatkan fitur spasial yang diekstraksi dari citra tanaman, meliputi karakteristik morfologi, warna daun, tekstur, bentuk tajuk, serta kerapatan vegetasi. Selain itu, model juga memanfaatkan fitur temporal yang berasal dari data sensor lingkungan, meliputi suhu udara, kelembapan udara, intensitas cahaya, kelembapan tanah, pH air, pH tanah yang direkam secara berkala selama proses pertumbuhan tanaman. Untuk meningkatkan kualitas integrasi multimodal, penelitian ini mengimplementasikan mekanisme Cross-Modal Attention yang memungkinkan model memberikan bobot perhatian adaptif terhadap fitur sensor yang relevan dengan fitur citra. Mekanisme ini terbukti mampu memperkuat hubungan antara perubahan morfologi tanaman dan variasi parameter lingkungan, sehingga menghasilkan representasi fitur yang lebih informatif dan diskriminatif. Selain itu, pendekatan MST-DA diterapkan melalui penggunaan Gradient Reversal Layer (GRL) dan Maximum Mean Discrepancy (MMD) untuk meminimalkan domain shift antara domain sumber dan target. Hasil eksperimen menunjukkan bahwa model MST-DA mampu mengatasi perbedaan distribusi data antara domain sumber dan domain target secara efektif. Pada konfigurasi optimal ?MMD = 0,1 dan a = 20, model mencapai accuracy sebesar 91,48%, F1-score sebesar 83,74%, dan Mean Intersection over Union (Mean IoU) sebesar 73,77%. Selama proses pelatihan, nilai loss menurun secara konsisten yang menunjukkan konvergensi model yang baik, sementara domain accuracy pada domain sumber dan domain target menurun hingga mendekati distribusi acak (˜0,10–0,15), mengindikasikan bahwa model berhasil mempelajari representasi fitur yang semakin domain-invariant. Hasil tersebut menunjukkan bahwa pendekatan MST-DA mampu meningkatkan kemampuan generalisasi model dalam melakukan klasifikasi fase fenologi padi pada lingkungan vertical farming. Temuan utama dari penelitian ini menunjukkan bahwa integrasi antara Cross-Modal Attention dan domain adaptation mampu meningkatkan kualitas representasi fitur serta memperkuat kemampuan model dalam menghadapi heterogenitas data pertanian lintas domain. Kebaruan penelitian ini terletak pada pengembangan arsitektur MST-DA yang mengintegrasikan pembelajaran spasial-temporal, mekanisme perhatian lintas modalitas, dan domain adaptation dalam satu kerangka terpadu untuk klasifikasi fase pertumbuhan padi berbasis IoT vertical farming. Dari sisi ilmiah, penelitian ini memperluas penerapan domain adaptation pada bidang pertanian cerdas, khususnya pada data multimodal yang bersifat dinamis dan heterogen. Dari sisi implementasi, model yang dikembangkan berpotensi diterapkan pada sistem smart farming berbasis IoT untuk mendukung pemantauan pertumbuhan tanaman secara otomatis, adaptif, dan berbasis data dalam lingkungan vertical farming.; This research was motivated by the increasing scarcity of productive agricultural land for rice cultivation due to land-use conversion, urbanization, and climate change. These challenges have created an urgent need for innovative alternative cultivation systems capable of ensuring sustainable food production, one of which is vertical farming. Although this cultivation system has been widely implemented for horticultural crops, its application to rice cultivation remains challenging, particularly in accurately monitoring rice growth stages because of the complex interactions between plant morphology and microenvironmental dynamics. These challenges become even more critical in the development of functional rice, which requires precise and data-driven environmental control throughout the cultivation process. This study aims to develop a multimodal deep learning model for rice growth stage classification by integrating plant image data and environmental sensor data while adapting to distribution discrepancies between conventional paddy fields and vertical farming environments. The proposed Multimodal Spatio-Temporal Domain Adaptation (MST-DA) framework combines spatial feature extraction from plant images using Convolutional Neural Networks (CNNs) with temporal feature learning from environmental sensor data using Long Short-Term Memory (LSTM) networks. Four CNN backbone architectures, namely ResNet50, MobileNet, VGG19, and Xception, were employed to evaluate their feature extraction capabilities. The proposed model classifies rice plants into eight phenological stages: seedling, early vegetative, maximum tillering, panicle initiation, booting, grain filling, ripening, and pre-harvest. The classification process utilizes spatial features extracted from plant images, including plant morphology, leaf color, texture, canopy structure, and vegetation density. In addition, temporal features are extracted from environmental sensor data, including air temperature, relative humidity, light intensity, soil moisture, water pH, and soil pH, which are continuously recorded throughout the plant growth cycle. To enhance multimodal feature integration, this study incorporates a Cross-Modal Attention mechanism that enables the model to assign adaptive attention weights to environmental sensor features according to their relevance to visual features extracted from plant images. This mechanism effectively strengthens the relationship between changes in plant morphology and variations in environmental conditions, thereby producing more informative and discriminative feature representations. Furthermore, the proposed MST-DA framework integrates a Gradient Reversal Layer (GRL) and Maximum Mean Discrepancy (MMD) to minimize domain shift between the source and target domains. Experimental results demonstrate that the proposed MST-DA model effectively addresses differences in data distribution between the source and target domains. Under the optimal parameter configuration (?MMD = 0.1 and a = 20), the model achieved an accuracy of 91.48%, an F1-score of 83.74%, and a Mean Intersection over Union (Mean IoU) of 73.77%. During the training process, the loss consistently decreased, indicating stable model convergence, while the domain classification accuracy in both the source and target domains decreased to values close to a random distribution (˜0,10–0,15), demonstrating that the proposed framework successfully learned increasingly domain-invariant feature representations. These results indicate that the MST-DA approach effectively improves the model's generalization capability for rice phenological stage classification in vertical farming environments. The findings of this study demonstrate that the integration of Cross-Modal Attention and domain adaptation enhances the quality of feature representations and improves the model's robustness in handling heterogeneous agricultural data across different domains. The primary novelty of this research lies in the development of a unified MST-DA framework that integrates spatiotemporal learning, cross-modal attention, and domain adaptation into a single architecture for IoT-based rice phenological stage classification in vertical farming. From a scientific perspective, this study extends the application of domain adaptation in smart agriculture, particularly for dynamic and heterogeneous multimodal data. From a practical perspective, the proposed model has strong potential for implementation in IoT-enabled smart farming systems to support automated, adaptive, and data-driven monitoring of rice growth in vertical farming environments.

2026-01-01T00:00:00Z Iskandar, Ade Rahmat http://repository.ipb.ac.id/handle/123456789/177059 2026-08-04T11:47:09Z 2026-01-01T00:00:00Z

Model Pengelolaan Hutan Kota Ekowisata Berbasis Pendekatan Machine Learning dan Remote Sensing Iskandar, Ade Rahmat Penelitian dalam bidang hutan kota ekowisata berbasis pendekatan machine learning dan remote sensing masih sedikit dilakukan oleh para peneliti. Hutan kota ekowisata memberikan banyak manfaat positif bagi masyarakat urban, perkotaan dan negara. Salah satu manfaatnya adalah dapat meningkatkan pendidikan dan kesadaran lingkungan, meningkatkan kualitas hidup urban, dan meningkatkan keberlanjutan dan konservasi habitat. Beberapa hutan kota ekowisata di Indonesia di antaranya adalah hutan kota Srengseng dan Tebet Eco Park di Jakarta, hutan Babakan Siliwangi di Bandung, hutan Kaombona di Palu, Sulawesi Tengah, hutan kota Kemuning di Pekanbaru, Riau, dan hutan kota Tinjomoyo di Semarang. Pengalokasian hutan kota untuk tiap provinsi atau wilayah kota di Indonesia masih terbatas. Data tahun 2017 menunjukkan ruang terbuka hijau (RTH) DKI Jakarta hanya sebesar 9,98% dari total luas wilayah; kebutuhan ideal RTH kota sebesar 30% (20% RTH publik dan 10% RTH privat). Tujuan penyelenggaraan hutan kota adalah untuk kelestarian, keserasian, dan keseimbangan ekosistem perkotaan yang meliputi unsur lingkungan. Topik Model Hutan Kota Ekowisata Berbasis Pendekatan Machine Learning dan Remote Sensing merupakan hasil analisis tersistematis (analysis bibliometric) berdasarkan kajian ilmiah menggunakan tools Publish or Perish dan VOSviewer. Paper penelitian diperoleh dari basis data Scopus dan ScienceDirect. Kata kunci yang digunakan dalam paper collection penelitian ini adalah (ecotourism urban forest, urban forest management, urban forest machine learning, remote sensing for urban forest, analytical hierarchy process for ecotourism urban forest). Hasil telaah dari systematic literature review (SLR) dan state of the art penelitian ini bermuara pada kajian Model Hutan Kota Ekowisata berbasis pendekatan Machine Learning dan Remote Sensing dengan analytical hierarchy process sebagai kerangka konseptual yang digunakan dalam penelitian ini. Analytical hierarchy process (AHP) digunakan sebagai kerangka konseptual untuk mengintegrasikan pendekatan mixed-method dalam membangun model hutan ekowisata berbasis pendekatan machine learning dan remote sensing atau penginderaan jauh. Pendekatan kuantitatif dilakukan menggunakan data spasial urban forest dari hutan kota Srengseng dan Tebet Eco Park Jakarta menggunakan tools google earth pro, google earth engine, dan Pyhton dengan mengadopsi teknologi remote sensing melalui satelit Landsat 8/OLI untuk mengeksplorasi data indeks vegetasi atau normalized difference vegetation index (NDVI), data kerapatan tutupan tajuk hutan atau Forest canopy density (FCD), dan data suhu permukaan tanah atau land surface temperature (LST), selain itu pendekatan kualitatif dilakukan dengan teknik observasi, deep interview untuk mendapatkan informasi sahih mengenai ecotourism urban forest qualitative data dari pakar hutan ekowisata, dan kuesioner tersistematis dari masyarakat atau wisatawan urban). Pada penelitian ini, Google Earth Pro digunakan untuk membuat poligon presisi hutan Kota Srengseng dan Tebet Eco Park, Jakarta. Tahap berikutnya menggunakan tools Google Earth Engine untuk membuat kode program berbasis JavaScript untuk mendapatkan data spasial NDVI, FCD, dan LST hutan kota yang diteliti. Hasil dari kode program tersebut adalah diperolehnya data spasial berupa data set NDVI, FCD, dan LST hutan kota Srengseng dan Tebet Eco Park dari tahun 2019 sampai tahun 2024. Data spasial tersebut diolah menggunakan algoritma machine learning random forest regressor untuk memprediksi indeks vegetasi, kerapatan tutupan tajuk hutan dan suhu permukaan tanah menggunakan data spasial satelit Landsat 8/OLI di Hutan Kota Srengseng dan Tebet Eco Park. Luaran dari penelitian ini adalah dirancangnya Model Pengelolaan Hutan Kota Ekowisata Berbasis Pendekatan Machine Learning dan Remote Sensing. Kebaruan penelitian ini terletak pada penerjemahan hasil machine learning berbasis remote sensing menjadi model prioritas pengelolaan yang operasional melalui integrasi indikator ekologis dan sosio-kultural. Pendekatan ini menjadikan hasil analisis tidak hanya informatif, tetapi juga langsung dapat digunakan sebagai alat pendukung keputusan dalam pengelolaan hutan kota ekowisata; Research in the field of urban ecotourism forests based on machine learning and remote sensing approaches is still limited. Urban ecotourism forests offer numerous positive benefits for urban communities, cities, and the nation. Among these benefits are increased environmental education and awareness, improved urban quality of life, and increased desire for and conservation of habitats. Some urban ecotourism forests in Indonesia include the Srengseng and Tebet Eco Park urban forests in Jakarta, the Babakan Siliwangi forest in Bandung, the Kaombona forest in Palu, Central Sulawesi, the Kemuning urban forest in Pekanbaru, Riau, and the Tinjomoyo urban forest in Semarang. The allocation of urban forests for each province or city in Indonesia remains limited. 2017 data shows that Jakarta's green open space (RTH) only covers 9.98% of the total area, while the ideal urban green space requirement is 30% (20% public green space and 10% private green space). The purpose of urban forest management is to preserve, harmonize, and balance the urban ecosystem, encompassing all environmental elements. The topic "Urban Forest Ecotourism Model Based on Machine Learning and Remote Sensing Approaches" is the result of a systematic bibliometric analysis based on scientific studies using the Publish or Perish and Vos Viewer tools. Research papers were obtained from the Scopus and ScienceDirect databases. The keywords used in this collection of research papers are (urban forest ecotourism, urban forest management, urban forest machine learning, remote sensing for urban forests, analytical hierarchy process for urban forest ecotourism). The results of this systematic literature review (SLR) and advanced research culminate in the study of an Urban Forest Ecotourism Model based on Machine Learning and Remote Sensing approaches, using the analytical hierarchy process as the conceptual framework used in this study. The Analytical Hierarchy Process (AHP) is used as a conceptual framework to integrate a mixed-method approach in developing an ecotourism forest model based on machine learning and remote sensing approaches. A quantitative approach was conducted using urban forest spasial data from the Srengseng and Tebet Eco Park urban forests in Jakarta. Using Google Earth Pro, Google Earth Engine, and Python, remote sensing technology was used via the Landsat 8/OLI satellite to explore vegetation index data (Normalized Difference Vegetation Index (NDVI), Forest canopy density (FCD), and land surface temperature (LST). A qualitative approach was also conducted using observation techniques, in-depth interviews to obtain valid information about ecotourism (qualitative data from ecotourism forest experts, and systematic questionnaires from the community and urban tourists). In this study, Google Earth Pro was used to create precision polygons for the Srengseng and Tebet Eco Park urban forests in Jakarta. The next step involved using Google Earth Engine to create a JavaScript-based program code to obtain spasial data on the NDVI, FCD, and LST of the urban forest being studied. The resulting code generated spasial data in the form of NDVI, FCD, and LST datasets for the Srengseng and Tebet Eco Park urban forests from 2019 to 2024. This spasial data will be processed using a random forest regressor machine learning algorithm to predict vegetation index, forest canopy density, and land surface temperature using Landsat 8/OLI satellite spasial data in the Srengseng and Tebet Eco Park urban forests. The output of this research is the creation of an Ecotourism Urban Forest Model based on Machine Learning and Remote Sensing approaches, utilizing the Analytical Hierarchy Process (AHP) as a conceptual framework to provide recommendations for ecotourism urban forest management for ecotourism urban forest stakeholders. The ecotourism urban forest model based on machine learning and remote sensing is based on seven indicators studied, namely (NDVI, FCD, LST, facilities, accessibility, landscape beauty, and educational value) in the Srengseng and Tebet Eco Park ecotourism urban forests. The novelty of this study lies in translating remote sensing-based machine learning outputs into a practical management prioritization framework through the integration of ecological and socio-cultural indicators. This approach enables the analytical results to serve not only as a source of information but also as an effective decision-support tool for urban forest ecotourism management

2026-01-01T00:00:00Z Hirawan, Dedeng http://repository.ipb.ac.id/handle/123456789/177058 2026-08-04T11:45:27Z 2026-01-01T00:00:00Z

Model Visi Komputer untuk Pengendalian Hama pada Budidaya Cabai Ayesha IPB Berbasis IoT Hirawan, Dedeng Pertanian presisi merupakan pendekatan yang mengintegrasikan teknologi untuk meningkatkan efisiensi penggunaan sumber daya, produktivitas, dan keberlanjutan sistem budidaya. Pada budidaya Cabai Ayesha IPB dengan sistem pertanian vertikal, salah satu tantangan utama adalah serangan hama berukuran kecil (aphids, thrips, whitefly, dan caterpillar) yang sulit dideteksi secara akurat. Meskipun teknologi Computer Vision (CV) telah banyak dimanfaatkan untuk deteksi hama, sebagian besar penelitian masih berfokus pada peningkatan performa model deteksi tanpa mengintegrasikan hasil deteksi dengan sistem pemantauan dan pengendalian hama secara otomatis. Oleh karena itu, penelitian ini mengembangkan model pertanian presisi yang mengintegrasikan CV berbasis Yolov8 dan Internet of Things (IoT) untuk mendukung deteksi, pemantauan, dan pengendalian hama pada budidaya Cabai Ayesha IPB. Untuk meningkatkan kemampuan Yolov8 dalam mendeteksi objek berukuran kecil (small object detection), penelitian ini mengusulkan metode augmentasi citra pada tahap pra-pemrosesan yang mengombinasikan teknik segmentasi, ekstraksi objek, lokalisasi area pengamatan, dan pembesaran citra menggunakan bicubic interpolation*. Dataset yang digunakan terdiri atas 14.419 citra hama yang terbagi ke dalam empat kelas objek dan dipartisi menjadi data latih, data validasi, dan data uji. Seluruh citra dianotasi sebagai ground truth sebelum proses pelatihan. Model kemudian dilatih menggunakan optimizer AdamW dengan learning rate 0,001 selama 70 epoch dan diimplementasikan pada aplikasi berbasis web yang terintegrasi dengan sistem IoT untuk mendukung pemantauan serta pengendalian hama. Hasil pelatihan menunjukkan bahwa model mencapai nilai presisi rata-rata di atas 80 persen dengan training loss dan validation loss di bawah 1 persen, yang menunjukkan proses pembelajaran berlangsung secara optimal. Pada tahap pengujian, metode augmentasi terbukti meningkatkan kinerja deteksi dibandingkan model Yolov8 tanpa augmentasi. Nilai presisi meningkat dari 91 persen menjadi 96 persen untuk aphids, 75 persen menjadi 92 persen untuk thrips, 93 persen menjadi 96 persen untuk whitefly, dan 93 persen menjadi 99 persen untuk caterpillar, dengan peningkatan rata-rata sekitar 7 persen . Implementasi sistem pada budidaya vertikal Cabai Ayesha IPB juga menunjukkan bahwa sistem yang dikembangkan mampu menurunkan populasi hama hingga 75 persen, sehingga membuktikan efektivitas integrasi CV dan IoT dalam mendukung pengendalian hama pada sistem pertanian presisi. Selain itu, implementasi sistem masih dipengaruhi oleh beberapa faktor teknis diantaranya saturasi cahaya saat akuisisi citra, pergerakan hama terutama thrips sebelum proses penyemprotan dilakukan, serta keterbatasan cakupan kamera dan aktuator yang masih berfokus pada sisi depan tanaman. Kondisi tersebut menunjukkan bahwa peningkatan kualitas akuisisi citra, penambahan sudut pengamatan, dan optimalisasi sistem penyemprotan masih diperlukan untuk meningkatkan efektivitas sistem secara menyeluruh pada lingkungan budidaya nyata. Kebaruan penelitian ini terletak pada dua kontribusi utama. Pertama, penelitian ini mengembangkan teknik augmentasi citra pada tahap pra-proses untuk meningkatkan kemampuan Yolov8 dalam mendeteksi hama berukuran kecil. Pertama, penelitian ini meningkatkan kualitas representasi visual objek sebelum proses pelatihan sehingga mampu meningkatkan presisi deteksi tanpa memodifikasi arsitektur dasar Yolov8. Kedua, penelitian ini mengembangkan model pertanian presisi berbasis CV dan IoT pada sistem pertanian vertikal yang mengintegrasikan deteksi, pemantauan, dan pengendalian hama secara otomatis dalam satu sistem yang terintegrasi. Dengan demikian, penelitian ini memberikan kontribusi metodologis pada pengembangan small object detection berbasis augmentasi citra serta kontribusi praktis dalam pengembangan sistem pertanian presisi untuk budidaya Cabai Ayesha IPB pada lahan terbatas

2026-01-01T00:00:00Z Dwinata, Alona http://repository.ipb.ac.id/handle/123456789/175284 2026-07-21T14:01:34Z 2026-01-01T00:00:00Z

PENGEMBANGAN MODEL MULTILEVEL ITEM RESPONSE THEORY UNTUK DATA BERSTRUKTUR HIERARKI Dwinata, Alona RINGKASAN ALONA DWINATA. Pengembangan Model Multilevel Item Response Theory Untuk Data Berstruktur Hierarki. Dibimbing oleh ANANG KURNIA, AJI HAMIM WIGENA, dan MUHAMMAD NUR AIDI. Data respons butir merupakan data hasil pengukuran yang diperoleh dari jawaban peserta tes terhadap sejumlah butir soal. Data ini digunakan untuk menggambarkan kemampuan laten peserta tes berdasarkan pola jawabannya. Salah satu model yang banyak digunakan adalah Item Response Theory dua parameter logistik (IRT 2PL), karena model ini mempertimbangkan dua karakteristik penting butir, yaitu daya beda dan tingkat kesukaran. Jadi, peluang peserta menjawab benar suatu butir tidak hanya ditentukan oleh kemampuan laten, tetapi juga ditentukan oleh karakteristik setiap butir soal. Pada tes bidang pendidikan, data respons butir sering tidak berasal dari populasi yang homogen dan antarpeserta tes tidak bebas. Peserta tes biasanya berada dalam struktur berkelompok, misalnya siswa tersarang dalam sekolah. Siswa dari sekolah yang sama cenderung memiliki kesamaan lingkungan belajar, fasilitas, sumber daya, dan sistem pembelajaran. Kondisi ini menyebabkan asumsi independensi pada model IRT klasik tidak terpenuhi. Untuk mengakomodasi struktur tersebut, diperlukan model Multilevel IRT 2PL. Model ini mengintegrasikan model respons butir dengan pemodelan multilevel, sehingga variasi kemampuan laten dapat dipisahkan ke dalam variasi pada level siswa dan variasi pada level sekolah. Selain pendekatan pengukuran, analisis respons butir juga dapat dikembangkan melalui pendekatan penjelas, yaitu dengan memasukkan prediktor yang relevan untuk menerangkan variasi kemampuan laten. Dalam konteks ini dikembangkan model Multilevel Latent Regression IRT 2PL (MLR-IRT 2PL) sebagai perluasan Multilevel IRT 2PL dengan melibatkan prediktor pada level siswa dan level sekolah. Model Multilevel IRT 2PL dikembangkan dengan memodelkan kemampuan laten peserta tes sebagai gabungan efek acak siswa dan efek acak sekolah, yaitu kemampuan siswa dalam sekolah dan variasi antarsekolah. Secara konseptual, model ini menuliskan kemampuan laten sebagai ?_jk= d_jk + d_k, dengan d_jk sebagai efek acak siswa dalam sekolah dan d_k sebagai efek acak sekolah. Karena kemampuan laten siswa dan efek sekolah tidak diamati secara langsung, pendugaan parameter memerlukan pendekatan yang mampu memarginalkan efek acak tersebut. Salah satu pendekatan yang tersedia untuk model Multilevel IRT adalah paket PLmixed pada R. Pendugaan parameter pada paket ini menggunakan pendekatan GLMM dengan struktur faktor, termasuk model IRT 2PL dengan menggunakan metode profile likelihood dan nested maximizations. Oleh karena itu, PLmixed digunakan sebagai metode pembanding dalam penelitian ini. Penelitian ini mengembangkan model Multilevel IRT 2PL dengan metode pendugaan Marginal Maximum Likelihood dan Gauss-Hermite Quadrature (MML-GHQ). Pendugaan parameter dilakukan menggunakan metode Marginal Maximum Likelihood (MML), integral efek acak dihampiri dengan Gauss-Hermite Quadrature (GHQ), dan optimisasi dilakukan melalui algoritma Expectation–Maximization (EM). Kemampuan laten kemudian diduga dengan pendekatan Expected A Posteriori (EAP). Hasil kajian simulasi model Multilevel IRT 2PL menunjukkan bahwa model memiliki kinerja baik. Simulasi menggunakan faktor Intraclass Correlation Coefficient (ICC), jumlah sekolah, jumlah siswa per sekolah, dan jumlah butir. Nilai korelasi antara kemampuan laten sebenarnya dan kemampuan laten hasil dugaan relatif tinggi pada semua skenario. Faktor yang paling kuat meningkatkan korelasi dan menurunkan RMSE parameter kemampuan laten adalah jumlah butir. Faktor jumlah sekolah, jumlah siswa per sekolah, dan jumlah butir berpengaruh signifikan terhadap parameter daya beda butir, sedangkan parameter kesukaran butir dipengaruhi oleh ICC, jumlah sekolah, dan jumlah siswa per sekolah. Model MLR-IRT 2PL dikembangkan sebagai perluasan Multilevel IRT 2PL dengan memasukkan prediktor pada struktur kemampuan laten. Kemampuan laten peserta tidak hanya dipengaruhi oleh efek acak siswa dan sekolah, tetapi juga oleh prediktor level siswa dan prediktor level sekolah. Dengan demikian, model ini tidak hanya mengukur kemampuan laten, tetapi juga menjelaskan variasi kemampuan laten berdasarkan prediktor. Faktor yang digunakan dalam simulasi meliputi ICC, jumlah sekolah, jumlah siswa per sekolah, jumlah butir, efek prediktor siswa, dan efek prediktor sekolah. Hasil simulasi menunjukkan bahwa model MLR-IRT 2PL memiliki kinerja yang baik dalam menduga kemampuan laten pada data respons butir berstruktur hierarki. Korelasi antara kemampuan laten sebenarnya dan kemampuan laten hasil dugaan relatif tinggi pada seluruh skenario. Jumlah butir merupakan faktor utama yang meningkatkan kualitas dugaan kemampuan laten, semakin banyak butir, korelasi meningkat dan RMSE menurun. Hasil ANOVA menunjukkan bahwa ICC, jumlah butir, efek prediktor siswa, dan efek prediktor sekolah berpengaruh signifikan terhadap korelasi kemampuan laten, sedangkan jumlah sekolah dan jumlah siswa per sekolah tidak signifikan. Untuk parameter butir, jumlah sekolah paling berperan dalam menurunkan RMSE daya beda dan kesukaran, sehingga nilai dugaan parameter semakin akurat. Pada penelitian ini, hasil analisis data PISA menggunakan model Multilevel IRT 2PL dengan pendekatan MML-GHQ dibandingkan dengan hasil estimasi menggunakan PLmixed. Kedua pendekatan menghasilkan pola estimasi yang relatif sejalan, baik pada kemampuan laten peserta tes maupun pada parameter daya beda dan kesukaran butir. Pendekatan MML-GHQ menghasilkan sebaran estimasi kemampuan laten yang lebih lebar daripada PLmixed. Hal ini menunjukkan bahwa MML-GHQ memberikan diferensiasi yang lebih besar dalam mengidentifikasi peserta tes dengan kemampuan laten rendah, sedang, dan tinggi. Selanjutnya, penerapan model MLR-IRT 2PL pada data PISA menunjukkan bahwa dugaan kemampuan laten bergeser ke arah positif dan memiliki rentang lebih lebar dibandingkan Multilevel IRT 2PL. Meskipun demikian, korelasi antara estimasi kemampuan laten dari kedua model adalah 0,97. Nilai tersebut menunjukkan bahwa urutan kemampuan laten peserta tes tetap konsisten, meskipun kedua model menghasilkan skala dan rentang dugaan yang berbeda. Model MLR-IRT 2PL juga menunjukkan bahwa prediktor kelas dan lingkungan sekolah memiliki kontribusi dalam menjelaskan keragaman kemampuan laten. Dengan demikian, model Multilevel IRT 2PL memiliki kinerja yang baik untuk memisahkan keragaman level siswa dan sekolah, sedangkan model MLR-IRT 2PL memperluas interpretasi dengan memperhitungkan pengaruh prediktor pada level siswa dan sekolah; ALONA DWINATA. Development of a Multilevel Item Response Theory Model for Hierarchically Structured Data. Supervised by ANANG KURNIA, AJI HAMIM WIGENA, and MUHAMMAD NUR AIDI. Item response data is measurement data obtained from participants' answers to a number of test items. This data is used to describe participants' latent abilities based on their response patterns. One widely used model is the two-parameter logistic Item Response Theory (IRT 2PL), because this model considers two important item characteristics: discrimination and difficulty level. Therefore, the probability of a participant answering an item correctly is determined not only by latent ability but also by the characteristics of each item. In educational tests, item response data often do not come from a homogeneous population and are not independent among participants. Participants are usually grouped, for example, students nested within schools. Students from the same school tend to have similar learning environments, facilities, resources, and learning systems. This condition violates the independence assumption in the classical IRT model. To accommodate this structure, a multilevel IRT 2PL model is needed. This model integrates the item response model with multilevel modeling, allowing latent ability variation to be separated into student-level and school-level components. In addition to the measurement approach, item response analysis can also be developed through an explanatory approach, namely by incorporating relevant predictors to explain variations in latent abilities. In this context, the Multilevel Latent Regression IRT 2PL (MLR-IRT 2PL) model was developed as an extension of Multilevel IRT 2PL by involving predictors at the student and school levels. The Multilevel IRT 2PL model was developed by modeling participants' latent ability as a combination of student random effects and school random effects, namely student ability within schools and variation between schools. Conceptually, this model writes the latent ability as ?_jk=d_jk+d_k, where d_jk is the student random effect within schools and d_k is the school random effect. Because student latent ability and school effects are not directly observed, parameter estimation requires an approach that can marginalize these random effects. One approach for Multilevel IRT models is the PLmixed package in R. This package estimates GLMMs with factor structures, including IRT 2PL models via profile likelihood and nested maximization. Therefore, PLmixed is used as a comparison method in this study. This study develops a Multilevel IRT 2PL model and estimates it using the Marginal Maximum Likelihood with Gauss-Hermite Quadrature (MML-GHQ) method. Parameter estimation was performed using Marginal Maximum Likelihood (MML), the random effect integral was approximated with Gauss-Hermite Quadrature (GHQ), and optimization was performed using the Expectation–Maximization (EM) algorithm. Latent ability was then estimated using the Expected A Posteriori (EAP) approach. The results of the Multilevel IRT 2PL model simulation study showed that the model performed well. The simulation used the Intraclass Correlation Coefficient (ICC), the number of schools, the number of students per school, and the number of items. The correlation between the actual and estimated latent abilities was relatively high across all scenarios. The strongest factor that increases the correlation and decreases the RMSE of the latent ability parameter is the number of items. The number of schools, the number of students per school, and the number of items significantly influence the item discrimination parameter, while the item difficulty parameter is influenced by the ICC, the number of schools, and the number of students per school. The MLR-IRT 2PL model was developed as an extension of Multilevel IRT 2PL by incorporating predictors into the latent ability structure. Participants' latent ability is influenced not only by students' and schools' random effects, but also by student- and school-level predictors. Thus, this model not only measures latent ability but also explains variations in latent ability based on predictors. In the simulation, the following factors are used: ICC, number of schools, number of students per school, number of items, student predictor effects, and school predictor effects. The simulation results show that the MLR-IRT 2PL model performs well in estimating latent ability in hierarchically structured item response data. The correlation between actual and estimated latent ability is relatively high across all scenarios. The number of items is the main factor that improves the quality of latent ability estimation; as more items are added, the correlation increases and the RMSE decreases. ANOVA results show that ICC, number of items, student predictor effects, and school predictor effects significantly influence the correlation of latent ability, while the number of schools and the number of students per school are not significant. For item parameters, the number of schools played the most important role in reducing RMSE for discrimination and difficulty, leading to more accurate parameter estimates. In this study, the results of PISA data analysis using the Multilevel IRT 2PL model with the MML-GHQ approach were compared with those obtained using PLmixed. Both approaches produced relatively consistent estimation patterns across examinees' latent abilities and item discrimination and difficulty parameters. The MML-GHQ approach produced a wider distribution of latent ability estimates than PLmixed. This indicates that the MML-GHQ provides greater differentiation in identifying examinees with low, medium, and high latent abilities. Furthermore, applying the MLR-IRT 2PL model to the PISA data showed that the latent ability estimates shifted in a positive direction and had a wider range than those from the Multilevel IRT 2PL model. However, the correlation between the latent ability estimates from the two models was 0.97. This value indicates that the order of examinees' latent abilities remained consistent, even though the two models produced different scales and ranges of estimates. The MLR-IRT 2PL model also showed that classroom and school environment predictors contributed to explaining the diversity of latent abilities. Thus, the Multilevel IRT 2PL model performs well at separating student- and school-level variability, while the MLR-IRT 2PL model broadens interpretation by accounting for the influence of predictors at both student- and school-levels.

2026-01-01T00:00:00Z