Perancangan Arsitektur Agentic AI berbasis multi-agent untuk generasi media edukasi yang konsisten dan adaptif

Al-Fathir, Muhammad Rizki (2026) Perancangan Arsitektur Agentic AI berbasis multi-agent untuk generasi media edukasi yang konsisten dan adaptif. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (167kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (233kB) | Preview
Preview	Text (SK BEBAS PLAGIARISME) 3_skbebasplagiarism.pdf Download (182kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (420kB) | Preview
Preview	Text (BAB I) 5_bab1.pdf Download (329kB) | Preview
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (611kB) | Request a copy
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (480kB) | Request a copy
	Text (BAB IV) 8_bab4.pdf Restricted to Registered users only Download (2MB) | Request a copy
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (226kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (239kB) | Request a copy
	Text (LAMPIRAN) 11_lampiran.pdf Restricted to Repository staff only Download (559kB) | Request a copy

Abstract

Generative AI saat ini masih didominasi pendekatan single-pass yang bergantung pada instruksi tunggal tanpa mekanisme internal untuk perencanaan multi-langkah, kontrol, dan evaluasi terintegrasi, sehingga media pembelajaran visual yang dihasilkan sering gagal memenuhi kecocokan tingkat kognitif pembelajar serta prinsip pedagogis seperti Cognitive Load Theory dan Dual Coding Theory. Penelitian ini bertujuan merancang dan mengevaluasi arsitektur Agentic AI berbasis sistem multiagen yang mampu melakukan dekomposisi konseptual secara adaptif dalam satu siklus generasi representasi visual edukatif. Arsitektur dibangun menggunakan metodologi rekayasa perangkat lunak Prometheus yang diadaptasi untuk agen berbasis Large Language Model (LLM). Sistem mendistribusikan tugas kepada agen terspesialisasi mencakup analisis materi, dekomposisi konseptual, penyusunan framing slide, hingga generasi konten visual, dengan audit gate pedagogis di tengah pipeline untuk mencegah kesalahan sejak dini. Evaluasi dilakukan secara multi-lapis, meliputi validasi ahli serta pengukuran otomatis menggunakan FKGL, ROUGE-N, Groundedness Score/Ratio, dan Mermaid render rate, ditambah studi ablasi internal dan eksternal. Studi ablasi arsitektur menunjukkan bahwa granularitas agen Per fase (tiga agen per fase) merupakan konfigurasi paling optimal, mencetak groundedness ratio 100% dan tingkat keberhasilan render diagram 100%, sekaligus paling efisien dari sisi komputasi dan latensi dibanding penggunaan agen yang terlalu banyak. Studi ablasi eksternal membuktikan arsitektur multiagen secara signifikan mengungguli pendekatan single-pass dengan model LLM yang identik, kesesuaian isi terhadap buku referensi (skor ROUGE F1) hampir tiga kali lipat lebih tinggi, dan keandalan representasi visual meningkat drastis dari 28,6% menjadi 100%. Secara keseluruhan, arsitektur Agentic AI ini terbukti mampu menutupi kekurangan pendekatan generatif single-pass, menghasilkan proses otomasi materi ajar dan dapat dipertanggungjawabkan secara pedagogis.

Actions (login required)

View Item