59
5.1.2. Hasil Pengujian Pencarian Dokumen berdasar Kueri Pengguna
Pengujian pencarian dokumen menggunakan query sebagai berikut :
5.1.2.1. Pencarian dengan query “data mining”
Kueri : data mining
Jumlah dokumen relevan dalam koleksi : 14
Jumlah seluruh dokumen dalam koleksi : 100
5.1.2.1.1. Hasil Pencarian dengan Sistem Pemerolehan Informasi berbasis Cluster
Jumlah dokumen yang diperoleh : 11
Jumlah dokumen relevan yang diperoleh : 11
Waktu eksekusi : 13,3721 detik
Hasil penentuan relevansi dari dokumen yang diperoleh adalah sebagai berikut :
NO DOKUMEN
REL
1
PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA ASSOCIATION RULES UNTUK MEMPREDIKSI PILIHAN PROGRAM STUDI
DI SEKOLAH TINGGI XYZ
1 2
ANALISA DATA DENGAN TEKNIK ASSOCIATION RULE DALAM DATA MINING
1 3
PENERAPAN DATA MINING UNTUK MEMPREDIKSI KRITERIA NASABAH KREDIT
1 4
PENERAPAN DATA MINING UNTUK MEMBANGUN E-MONEV MENGGUNAKAN ALGORITMA C4.5 STUDI KASUS PENERIMAAN
MAHASISWA BARU UIN MALIKI MALANG
1 5
PENERAPAN ALGORITMA KLASIFIKASI DATA MINING ID3 UNTUK MENENTUKAN PENJURUSAN SISWA SMAN 6 SEMARANG
1 6
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFIER
1 7
IMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI Studi Kasus: Jumbo Travel
Medan
1 8
PENERAPAN DATA MINING DENGAN METODE KLASIFIKASI NAIVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DALAM
MENGIKUTI ENGLISH PROFICIENCY TEST
1
60 9
IMPLEMENTASI METODE APRIORI UNTUK MENDUKUNG REKOMENDASI PRODUK PADA PETRA GAMING STORE
1 10
DATA MINING PENGKLASIFIKASIAN PELANGGAN PEMBELI MOBIL DENGAN METODE DECISION TREE
1 11
PENERAPAN DATA MINING DALAM EMAIL FILTERING MENGGUNAKAN METODE NAIVE BAYESIAN
1
Tabel 5.3. Hasil pencarian dengan query “data mining” pada Sistem Pemerolehan Informasi
berbasis Cluster
Dari hasil penentuan relevansi tersebut, nilai recall dan precision dari sistem pemerolehan informasi berbasis cluster ditentukan sebagai berikut :
RECALL PRECISION
100 7
100 14
100 21
100 29
100 36
100 43
100 50
100 57
100 64
100 71
100 79
100
Tabel 5.4. Penghitungan recall - precision terhadap query “data mining” pada Sistem Pemerolehan
Informasi berbasis Cluster
Interpolasi 11 titik recall precision dari penghitungan recall – precision pada
Tabel 5.1 ditampilkan pada tabel berikut ini :
RECALL PRECISION
100 10
100 20
100 30
100 40
100 50
100 60
100 70
100 80
90 100
61
Tabel 5.5. Interpolasi 11 titik recall precision terhadap query “data mining” pada Sistem
Pemerolehan Informasi berbasis Cluster
Visualisasi interpolasi 11 titik recall precision pada
Tabel 5.5
ditampilkan dalam bentuk grafik sebagai berikut :
Gambar 5.1. Grafik interpolasi 11 titik recall precision terhadap query “data mining” pada Sistem
Pemerolehan Informasi berbasis Cluster
5.1.2.1.2. Hasil Pencarian dengan Sistem Pemerolehan Informasi Konvensional
Jumlah dokumen yang diperoleh : 14
Jumlah dokumen relevan yang diperoleh : 19
Waktu eksekusi : 18,5425 detik
Hasil penentuan relevansi dari dokumen yang diperoleh adalah sebagai berikut :
NO DOKUMEN
REL
1
PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA ASSOCIATION RULES UNTUK MEMPREDIKSI PILIHAN PROGRAM STUDI DI SEKOLAH TINGGI XYZ
1 2
ANALISA DATA DENGAN TEKNIK ASSOCIATION RULE DALAM DATA MINING
1 3
PENERAPAN DATA MINING UNTUK MEMPREDIKSI KRITERIA NASABAH KREDIT
1 4
PENERAPAN DATA MINING UNTUK MEMBANGUN E-MONEV MENGGUNAKAN ALGORITMA C4.5 STUDI KASUS PENERIMAAN MAHASISWA BARU UIN MALIKI
MALANG
1
20 40
60 80
100 120
20 40
60 80
100 120
Berbasis Cluster
62 5
PENERAPAN ALGORITMA KLASIFIKASI DATA MINING ID3 UNTUK MENENTUKAN PENJURUSAN SISWA SMAN 6 SEMARANG
1 6
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFIER
1 7
PENERAPAN DATA MINING DENGAN METODE INTERPOLASI UNTUK MEMPREDIKSI MINAT KONSUMEN ASURANSI STUDI KASUS ASURANSI
METLIFE
1 8
IMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI Studi Kasus: Jumbo Travel Medan
1 9
ANALISIS DAN PERANCANGAN MODEL DATA OPINION MINING MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE STUDI KASUS:
DATA TWITTER DENGAN KEYWORD MAKANAN
10
PENERAPAN DATA MINING DENGAN METODE KLASIFIKASI NAIVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DALAM MENGIKUTI ENGLISH
PROFICIENCY TEST
1 11
IMPLEMENTASI METODE APRIORI UNTUK MENDUKUNG REKOMENDASI PRODUK PADA PETRA GAMING STORE
1 12
DATA MINING PENGKLASIFIKASIAN PELANGGAN PEMBELI MOBIL DENGAN METODE DECISION TREE
1 13
PENERAPAN ALGORITMA K-NEAREST NEIGHBOR UNTUK PENENTUAN RESIKO KREDIT KEPEMILIKAN KENDARAAN BEMOTOR
1 14
PENERAPAN DATA MINING DALAM EMAIL FILTERING MENGGUNAKAN METODE NAIVE BAYESIAN
1 15
OPTIMASI PEMILIHAN SEEDS ALGORITMA K-MEANS PADA PENGELOMPOKAN DOKUMEN BERBAHASA INGGRIS
16
PERBANDINGAN PARTITION AROUND MEDOIDS PAM DAN K-MEANS CLUSTERING UNTUK TWEETS
17
ANALISA PERBANDINGAN KLASIFIKASI DOKUMEN KARYA ILMIAH MENGGUNAKAN K-NEAREST NEIGHBOR DAN NAIVE BAYES
18
SISTEM PENDUKUNG KEPUTUSAN UNTUK IDENTIFIKASI STATUS KELUARGA MISKIN MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER
19
PEMBANGUNAN SPAM E-MAIL FILTERING SYSTEM DENGAN METODE NAIVE BAYESIAN
Tabel 5.6. Hasil pencarian dengan query “data mining” pada Sistem Pemerolehan Informasi
Konvensional
Dari hasil penentuan relevansi tersebut, nilai recall dan precision dari sistem pemerolehan informasi konvensional ditentukan sebagai berikut :
RECALL PRECISION
100 7
100 14
100 21
100 29
100 36
100 43
100 50
100
63 57
100 64
90 71
91 79
92 86
92 93
93
Tabel 5.7. Penghitungan recall - precision terhadap query “data mining” pada Sistem Pemerolehan
Informasi Konvensional
Interpolasi 11 titik recall precision dari penghitungan recall – precision pada
Tabel 5.7
. ditampilkan pada tabel berikut ini :
RECALL PRECISION
100 10
100 20
100 30
100 40
100 50
100 60
93 70
93 80
93 90
93 100
Tabel 5.8. Interpolasi 11 titik recall precision terhadap query “data mining” pada Sistem
Pemerolehan Informasi berbasis Cluster
Visualisasi interpolasi 11 titik recall precision pada
Tabel 5.8
. ditampilkan dalam bentuk grafik sebagai berikut :
64
Gambar 5.2. Grafik interpolasi 11 titik recall precision terhadap query “data mining” pada Sistem
Pemerolehan Informasi Konvensional
5.1.2.2. Pencarian dengan query “naïve bayes”
Kueri : naïve bayes
Jumlah dokumen relevan dalam koleksi : 5
Jumlah seluruh dokumen dalam koleksi : 100
5.1.2.2.1. Hasil Pencarian dengan Sistem Pemerolehan Informasi berbasis Cluster
Jumlah dokumen yang diperoleh : 1
Jumlah dokumen relevan yang diperoleh : 1
Waktu eksekusi : 13,3514 detik
Hasil penentuan relevansi dari dokumen yang diperoleh adalah sebagai berikut :
NO DOKUMEN
REL
1
SISTEM PENDUKUNG KEPUTUSAN UNTUK IDENTIFIKASI STATUS KELUARGA MISKIN MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER
1
Tabel 5.9. Hasil pencarian dengan query “naïve bayes” pada Sistem Pemerolehan Informasi
berbasis Cluster 20
40 60
80 100
120
20 40
60 80
100 120
Konvensional
65
Dari hasil penentuan relevansi tersebut, nilai recall dan precision dari sistem pemerolehan informasi berbasis cluster ditentukan sebagai berikut :
RECALL PRECISION
100 20
100
Tabel 5.10. Penghitungan recall - precision terhadap query “naïve bayes” pada Sistem
Pemerolehan Informasi berbasis Cluster
Interpolasi 11 titik recall precision dari penghitungan recall – precision pada
Tabel 5.10
. ditampilkan pada tabel berikut ini :
RECALL PRECISION
100 10
100 20
100 30
40 50
60 70
80 90
100
Tabel 5.11. Interpolasi 11 titik recall precision terhadap query “naïve bayes” pada Sistem
Pemerolehan Informasi berbasis Cluster
Visualisasi interpolasi 11 titik recall precision pada
Tabel 5.11
. ditampilkan dalam bentuk grafik sebagai berikut :
66
Gambar 5.3. Grafik interpolasi 11 titik recall precision terhadap query “naïve bayes” pada Sistem
Pemerolehan Informasi berbasis Cluster
5.1.2.2.2. Hasil Pencarian dengan Sistem Pemerolehan Informasi Konvensional
Jumlah dokumen yang diperoleh : 6
Jumlah dokumen relevan yang diperoleh : 5
Waktu eksekusi : 16,0667 detik
Hasil penentuan relevansi dari dokumen yang diperoleh adalah sebagai berikut :
NO DOKUMEN
REL
1
PENERAPAN DATA MINING DENGAN METODE KLASIFIKASI NAIVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DALAM MENGIKUTI ENGLISH
PROFICIENCY TEST
1 2
SISTEM PENDUKUNG KEPUTUSAN UNTUK IDENTIFIKASI STATUS KELUARGA MISKIN MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER
1 3
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFIER
1 4
PEMBANGUNAN SPAM E-MAIL FILTERING SYSTEM DENGAN METODE NAIVE BAYESIAN
1 5
PENERAPAN METODE FORWARD CHAINING DAN TEOREMA BAYES PADA SISTEM PAKAR DIAGNOSA PENYAKIT TULANG
1 6
PEMODELAN SISTEM PAKAR DIAGNOSIS PENENTUAN LEVEL SAKIT ASMA DENGAN METODE FUZZY MAMDANI
Tabel 5.12. Hasil pencarian dengan query “naïve bayes” pada Sistem Pemerolehan Informasi
Konvensional 20
40 60
80 100
120
20 40
60 80
100 120
Berbasis Cluster
67
Dari hasil penentuan relevansi tersebut, nilai recall dan precision dari sistem pemerolehan informasi konvensional ditentukan sebagai berikut :
RECALL PRECISION
100 20
100 40
100 60
100 80
100 100
100
Tabel 5.13. Penghitungan recall - precision terhadap query “naïve bayes” pada Sistem
Pemerolehan Informasi Konvensional
Interpolasi 11 titik recall precision dari penghitungan recall – precision pada
Tabel 5.13. ditampilkan pada tabel berikut ini :
RECALL PRECISION
100 10
100 20
100 30
100 40
100 50
100 60
100 70
100 80
100 90
100 100
100
Tabel 5.14. Interpolasi 11 titik recall precision terhadap query “naïve bayes” pada Sistem
Pemerolehan Informasi Konvensional
Visualisasi interpolasi 11 titik recall precision pada Tabel 5.14. ditampilkan dalam bentuk grafik sebagai berikut :
68
Gambar 5.4. Grafik interpolasi 11 titik recall precision terhadap query “naïve bayes” pada Sistem
Pemerolehan Informasi Konvensional
5.1.2.3. Pencarian dengan query “klasifikasi”
Kueri : klasifikasi
Jumlah dokumen relevan dalam koleksi : 15
Jumlah seluruh dokumen dalam koleksi : 100
5.1.2.3.1. Hasil Pencarian dengan Sistem Pemerolehan Informasi berbasis Cluster
Jumlah dokumen yang diperoleh : 6
Jumlah dokumen relevan yang diperoleh : 6
Waktu eksekusi : 14,0447 detik
Hasil penentuan relevansi dari dokumen yang diperoleh adalah sebagai berikut :
NO DOKUMEN
REL
1
PENGKLASIFIKASIAN JENIS BATIK TULIS DENGAN MENGGUNAKAN METODE NEAREST CLUSTER CLASSIFIER NCC
1 2
PENERAPAN ALGORITMA K-NEAREST NEIGHBOR UNTUK PENENTUAN RESIKO KREDIT KEPEMILIKAN KENDARAAN BEMOTOR
1 3
ANALISA PERBANDINGAN KLASIFIKASI DOKUMEN KARYA ILMIAH MENGGUNAKAN K-NEAREST NEIGHBOR DAN NAIVE BAYES
1
20 40
60 80
100 120
20 40
60 80
100 120
Konvensional
69 4
ANALISIS DAN PERANCANGAN MODEL DATA OPINION MINING MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE STUDI KASUS:
DATA TWITTER DENGAN KEYWORD MAKANAN
1 5
SISTEM PENDUKUNG KEPUTUSAN UNTUK IDENTIFIKASI STATUS KELUARGA MISKIN MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER
1 6
CLUSTERING DATA TRANSAKSI PENJUALAN MENGGUNAKAN GENETIC K- MEANS ALGORITHM GKA
1
Tabel 5.15. Hasil pencarian dengan query “klasifikasi” pada Sistem Pemerolehan Informasi
berbasis Cluster
Dari hasil penentuan relevansi tersebut, nilai recall dan precision dari sistem pemerolehan informasi berbasis cluster ditentukan sebagai berikut :
RECALL PRECISION
100 7
100 13
100 20
100 27
100 33
100 40
100
Tabel 5.16. Penghitungan recall - precision terhadap query “klasifikasi” pada Sistem Pemerolehan
Informasi berbasis Cluster
Interpolasi 11 titik recall precision dari penghitungan recall – precision pada
Tabel 5.16
. ditampilkan pada tabel berikut ini :
RECALL PRECISION
100 10
100 20
100 30
100 40
100 50
60 70
80 90
100
Tabel 5.17. Interpolasi 11 titik recall precision terhadap query “klasifikasi” pada Sistem
Pemerolehan Informasi berbasis Cluster
70
Visualisasi interpolasi 11 titik recall precision pada
Tabel 5.17
. ditampilkan dalam bentuk grafik sebagai berikut :
Gambar 5.5. Grafik interpolasi 11 titik recall precision terhadap query “klasifikasi” pada Sistem
Pemerolehan Informasi berbasis Cluster
5.1.2.3.2. Hasil Pencarian dengan Sistem Pemerolehan Informasi Konvensional
Jumlah dokumen yang diperoleh : 19
Jumlah dokumen relevan yang diperoleh : 10
Waktu eksekusi : 14,5661 detik
Hasil penentuan relevansi dari dokumen yang diperoleh adalah sebagai berikut :
NO DOKUMEN
REL
1
PENGKLASIFIKASIAN JENIS BATIK TULIS DENGAN MENGGUNAKAN METODE NEAREST CLUSTER CLASSIFIER NCC
1 2
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFIER
1 3
DATA MINING PENGKLASIFIKASIAN PELANGGAN PEMBELI MOBIL DENGAN METODE DECISION TREE
1 4
PENERAPAN ALGORITMA K-NEAREST NEIGHBOR UNTUK PENENTUAN RESIKO KREDIT KEPEMILIKAN KENDARAAN BEMOTOR
1 5
ANALISA PERBANDINGAN KLASIFIKASI DOKUMEN KARYA ILMIAH MENGGUNAKAN K-NEAREST NEIGHBOR DAN NAIVE BAYES
1 6
ANALISIS DAN PERANCANGAN MODEL DATA OPINION MINING 20
40 60
80 100
120
20 40
60 80
100 120
Berbasis Cluster
71
MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE STUDI KASUS: DATA TWITTER DENGAN KEYWORD MAKANAN
7
PENERAPAN DATA MINING DENGAN METODE KLASIFIKASI NAIVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DALAM MENGIKUTI ENGLISH
PROFICIENCY TEST
1 8
PENERAPAN DATA MINING UNTUK MEMBANGUN E-MONEV MENGGUNAKAN ALGORITMA C4.5 STUDI KASUS PENERIMAAN MAHASISWA BARU UIN MALIKI
MALANG
9
SISTEM PENDUKUNG KEPUTUSAN UNTUK IDENTIFIKASI STATUS KELUARGA MISKIN MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER
10
PENERAPAN ALGORITMA KLASIFIKASI DATA MINING ID3 UNTUK MENENTUKAN PENJURUSAN SISWA SMAN 6 SEMARANG
1 11
PENERAPAN DATA MINING DALAM EMAIL FILTERING MENGGUNAKAN METODE NAIVE BAYESIAN
1 12
PENERAPAN DATA MINING UNTUK MEMPREDIKSI KRITERIA NASABAH KREDIT
1 13
PREDIKSI EROSI LAHAN DAS BENGKULU DENGAN SISTEM INFORMASI GEOGRAFIS SIG
14
SISTEM INFORMASI GEOGRAFIS PENILAIAN LOKASI ALTERNATIF UNTUK PENENTUAN LOKASI WARALABA
15
PEMBANGUNAN SPAM E-MAIL FILTERING SYSTEM DENGAN METODE NAIVE BAYESIAN
1 16
CLUSTERING DATA TRANSAKSI PENJUALAN MENGGUNAKAN GENETIC K- MEANS ALGORITHM GKA
17
SISTEM INFORMASI GEOGRAFIS PEMETAAN PEMUKIMAN DI KAWASAN TAMAN NASIONAL KOMODO
18
ANALISA DAN PERANCANGAN INTRUSION DETECTION SYSTEM IDS PADA JARINGAN NIRKABEL STIKOM DINAMIKA BANGSA
19
SISTEM PAKAR UNTUK DIAGNOSIS PENYAKIT THT BERBASIS WEB DENGAN E2GLITE EXPERT SYSTEM SHELL
Tabel 5.18. Hasil pencarian dengan query “klasifikasi” pada Sistem Pemerolehan Informasi
Konvensional
Dari hasil penentuan relevansi tersebut, nilai recall dan precision dari sistem pemerolehan informasi konvensional ditentukan sebagai berikut :
RECALL PRECISION
100 7
100 13
100 20
100 27
100 33
100 40
86 47
70 53
73 60
75 67
67
72
Tabel 5.19. Penghitungan recall - precision terhadap query “klasifikasi” pada Sistem Pemerolehan
Informasi Konvensional
Interpolasi 11 titik recall precision dari penghitungan recall – precision pada
Tabel 5.19. ditampilkan pada tabel berikut ini :
RECALL PRECISION
100 10
100 20
100 30
100 40
86 50
75 60
75 70
80 90
100 Tabel 5.20.
Interpolasi 11 titik recall precision terhadap query “klasifikasi” pada Sistem
Pemerolehan Informasi Konvensional
Visualisasi interpolasi 11 titik recall precision pada Tabel 5.20. ditampilkan dalam bentuk grafik sebagai berikut :
Gambar 5.6. Grafik interpolasi 11 titik recall precision terhadap query “klasifikasi” pada Sistem
Pemerolehan Informasi Konvensional 20
40 60
80 100
120
20 40
60 80
100 120
Konvensional
73
5.1.2.4. Pencarian dengan query “sistem pendukung keputusan”
Kueri : sistem pendukung keputusan
Jumlah dokumen relevan dalam koleksi : 19
Jumlah seluruh dokumen dalam koleksi : 100
5.1.2.4.1. Hasil Pencarian dengan Sistem Pemerolehan Informasi berbasis Cluster
Jumlah dokumen yang diperoleh : 14
Jumlah dokumen relevan yang diperoleh : 14
Waktu eksekusi : 12,4743 detik
Hasil penentuan relevansi dari dokumen yang diperoleh adalah sebagai berikut :
NO DOKUMEN
REL
1
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN LOKASI GUDANG DI PERUSAHAAN DENGAN METODE WEIGHTED PRODUCT
1 2
SISTEM PENDUKUNG KEPUTUSAN DALAM PEMILIHAN ALTERNATIF ALAT KONTRASEPSI MENGGUNAKAN SIMPLE ADDITIVE WEIGHTING
1 3
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN LOKASI BTS MENGGUNAKAN METODE PROMETHEE
1 4
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DOSEN MENGGUNAKAN METODE FUZZY SAW STUDI KASUS UNIVERSITAS POTENSI UTAMA
1 5
SISTEM PENDUKUNG KEPUTUSAN KELAYAKAN TKI KE LUAR NEGERI MENGGUNAKAN FMADM
1 6
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN MAHASISWA BERPRESTASI JURUSAN TEKNIK INFORMATIKA MENGGUNAKAN MODEL USE CASE
1 7
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KAMERA DIGITAL SINGLE-LENS REFLEX DSLR
1 8
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN KELAYAKAN CALON RINTISAN SEKOLAH BERTARAF INTERNASIONAL DENGAN METODE FUZZY ASSOCIATIVE
MEMORY
1 9
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN ANGGOTA SENAT MAHASISWA UNIVERSITAS KLABAT MENGGUNAKAN METODE AHP
1 10
SISTEM PENDUKUNG KEPUTUSAN UNTUK PEMILIHAN PROGRAM STUDI DENGAN METODE AHP
1 11
ANALISIS DAN PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN UNTUK PENENTUAN JALUR KELOMPOK KEAHLIAN MENGGUNAKAN MODEL SIMPLE
ADDITIVE WEIGHTING SAW
1 12
PEMILIHAN SEPEDA MOTOR SECOND DENGAN METODE Analytical Hierarchy Process AHP STUDI KASUS : PT. XYZ
1
74 13
SISTEM PENUNJANG KEPUTUSAN PEMILIHAN PERANGKAT PEMROSESAN DATA MENGGUNAKAN METODE ANALYTICAL HIERARCHY PROCESS AHP DAN
MULTI-CRITERIA DECISION MAKING MCDM
1 14
SISTEM PENUNJANG KEPUTUSAN PENILAIAN HASIL KERJA UNTUK PENEMPATAN SDM BERKUALITAS
1
Tabel 5.21. Hasil pencarian dengan query “sistem pendukung keputusan” pada Sistem
Pemerolehan Informasi berbasis Cluster
Dari hasil penentuan relevansi tersebut, nilai recall dan precision dari sistem pemerolehan informasi berbasis cluster ditentukan sebagai berikut :
RECALL PRECISION
100 5
100 11
100 16
100 21
100 26
100 32
100 37
100 42
100 47
100 53
100 58
100 63
100 68
100 74
100
Tabel 5.22. Penghitungan recall - precision terhadap query “sistem pendukung keputusan” pada
Sistem Pemerolehan Informasi berbasis Cluster
Interpolasi 11 titik recall precision dari penghitungan recall – precision pada
Tabel 5.22. ditampilkan pada tabel berikut ini :
RECALL PRECISION
100 10
100 20
100 30
100 40
100 50
100 60
100 70
100 80
75 90
100
Tabel 5.23. Interpolasi 11 titik recall precision terhadap query “sistem pendukung keputusan”
pada Sistem Pemerolehan Informasi berbasis Cluster
Visualisasi interpolasi 11 titik recall precision pada Tabel 5.23. ditampilkan dalam bentuk grafik sebagai berikut :
Gambar 5.7. Grafik interpolasi 11 titik recall precision terhadap query “sistem pendukung
keputusan” pada Sistem Pemerolehan Informasi berbasis Cluster
5.1.2.4.2. Hasil Pencarian dengan Sistem Pemerolehan Informasi Konvensional
Jumlah dokumen yang diperoleh : 26
Jumlah dokumen relevan yang diperoleh : 18
Waktu eksekusi : 15,4405 detik
Hasil penentuan relevansi dari dokumen yang diperoleh adalah sebagai berikut :
NO DOKUMEN
REL
1
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN LOKASI GUDANG DI PERUSAHAAN DENGAN METODE WEIGHTED PRODUCT
1 2
PERANCANGAN SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN UNTUK PENERIMAAN BEASISWA DENGAN METODE SAW SIMPLE ADDITIVE
1
20 40
60 80
100 120
20 40
60 80
100 120
Berbasis Cluster
76
WEIGHTING
3
SISTEM PENDUKUNG KEPUTUSAN DALAM PEMILIHAN ALTERNATIF ALAT KONTRASEPSI MENGGUNAKAN SIMPLE ADDITIVE WEIGHTING
1 4
SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN JENIS USAHA DI BIDANG FOOD AND BEVERAGE
1 5
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN LOKASI BTS MENGGUNAKAN METODE PROMETHEE
1 6
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DOSEN MENGGUNAKAN METODE FUZZY SAW STUDI KASUS UNIVERSITAS POTENSI UTAMA
1 7
SISTEM PENDUKUNG KEPUTUSAN KELAYAKAN TKI KE LUAR NEGERI MENGGUNAKAN FMADM
1 8
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN MAHASISWA BERPRESTASI JURUSAN TEKNIK INFORMATIKA MENGGUNAKAN MODEL USE CASE
1 9
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KAMERA DIGITAL SINGLE-LENS REFLEX DSLR
1 10
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN KELAYAKAN CALON RINTISAN SEKOLAH BERTARAF INTERNASIONAL DENGAN METODE FUZZY ASSOCIATIVE
MEMORY
1 11
SISTEM PENDUKUNG KEPUTUSAN UNTUK IDENTIFIKASI STATUS KELUARGA MISKIN MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER
1 12
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN ANGGOTA SENAT MAHASISWA UNIVERSITAS KLABAT MENGGUNAKAN METODE AHP
1 13
SISTEM PENDUKUNG KEPUTUSAN UNTUK PEMILIHAN PROGRAM STUDI DENGAN METODE AHP
1 14
ANALISIS DAN PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN UNTUK PENENTUAN JALUR KELOMPOK KEAHLIAN MENGGUNAKAN MODEL SIMPLE
ADDITIVE WEIGHTING SAW
1 15
PEMILIHAN SEPEDA MOTOR SECOND DENGAN METODE Analytical Hierarchy Process AHP STUDI KASUS : PT. XYZ
1 16
SISTEM PENUNJANG KEPUTUSAN PEMILIHAN PERANGKAT PEMROSESAN DATA MENGGUNAKAN METODE ANALYTICAL HIERARCHY PROCESS AHP DAN
MULTI-CRITERIA DECISION MAKING MCDM
1 17
SISTEM PENUNJANG KEPUTUSAN PENILAIAN HASIL KERJA UNTUK PENEMPATAN SDM BERKUALITAS
1 18
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PROGRAM STUDI BAGI SISWA SMA
1 19
SISTEM INFORMASI GEOGRAFIS PEMERATAAN PENDIDIKAN UNTUK WAJIB BELAJAR 9 TAHUN DI GUNUNG KIDUL
20
PENERAPAN DATA MINING DENGAN METODE INTERPOLASI UNTUK MEMPREDIKSI MINAT KONSUMEN ASURANSI STUDI KASUS ASURANSI
METLIFE
21
SISTEM INFORMASI GEOGRAFIS PENYEBARAN PENDUDUK BERDASARKAN TINGKAT USIA DI KABUPATEN SLEMAN BERBASIS WEB
22
PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA ASSOCIATION RULES UNTUK MEMPREDIKSI PILIHAN PROGRAM STUDI DI SEKOLAH TINGGI XYZ
23
SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT DIABETES MELLITUS BERBASIS MOBILE
24
IMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI Studi Kasus: Jumbo Travel Medan
25
PENGEMBANGAN APLIKASI SISTEM INFORMASI SEKOLAH SEBAGAI SISTEM INFORMASI EKSEKUTIF
77 26
PEMODELAN SISTEM PAKAR DIAGNOSIS PENENTUAN LEVEL SAKIT ASMA DENGAN METODE FUZZY MAMDANI
Tabel 5.24. Hasil pencarian dengan query “sistem pendukung keputusan” pada Sistem
Pemerolehan Informasi Konvensional
Dari hasil penentuan relevansi tersebut, nilai recall dan precision dari sistem pemerolehan informasi konvensional ditentukan sebagai berikut :
RECALL PRECISION
100 5
100 11
100 16
100 21
100 26
100 32
100 37
100 42
100 47
100 53
100 58
100 63
100 68
100 74
100 79
100 84
100 89
100 95
100
Tabel 5.25. Penghitungan recall - precision terhadap query “sistem pendukung keputusan” pada
Sistem Pemerolehan Informasi Konvensional
Interpolasi 11 titik recall precision dari penghitungan recall – precision pada
Tabel 5.13. ditampilkan pada tabel berikut ini :
RECALL PRECISION
100 10
100 20
100 30
100 40
100 50
100 60
100 70
100
78 80
100 90
100 100
Tabel 5.26. Interpolasi 11 titik recall precision terhadap query “sistem pendukung keputusan”
pada Sistem Pemerolehan Informasi Konvensional
Visualisasi interpolasi 11 titik recall precision pada Tabel 5.14. ditampilkan dalam bentuk grafik sebagai berikut :
Gambar 5.8. Grafik interpolasi 11 titik recall precision terhadap query “sistem pendukung
keputusan ” pada Sistem Pemerolehan Informasi Konvensional
5.1.2.5. Pencarian dengan query “jaringan komputer”
Kueri : jaringan komputer
Jumlah dokumen relevan : 14
Jumlah seluruh dokumen dalam koleksi : 100
5.1.2.5.1. Hasil Pencarian dengan Sistem Pemerolehan Informasi berbasis Cluster
Jumlah dokumen yang diperoleh : 1
Jumlah dokumen relevan yang diperoleh : 1
20 40
60 80
100 120
20 40
60 80
100 120
Konvensional
79
Waktu eksekusi : 12,2814 detik
Hasil penentuan relevansi dari dokumen yang diperoleh adalah sebagai berikut :
NO DOKUMEN
REL
1
IMPLEMENTASI ROUTING PROTOCOL OPEN SHORTEST PATH FIRSTOSPF PADA MODEL TOPOLOGY RING
1
Tabel 5.27. Hasil pencarian dengan query “jaringan komputer” pada Sistem Pemerolehan
Informasi berbasis Cluster
Dari hasil penentuan relevansi tersebut, nilai recall dan precision dari sistem pemerolehan informasi berbasis cluster ditentukan sebagai berikut :
RECALL PRECISION
100 7
100
Tabel 5.28. Penghitungan recall - precision terhadap query “jaringan komputer” pada Sistem
Pemerolehan Informasi berbasis Cluster
Interpolasi 11 titik recall precision dari penghitungan recall – precision pada
Tabel 5.10
. ditampilkan pada tabel berikut ini :
RECALL PRECISION
100 10
100 20
100 30
100 40
100 50
100 60
70 80
90 100
Tabel 5.29. Interpolasi 11 titik recall precision terhadap query “jaringan komputer” pada Sistem
Pemerolehan Informasi berbasis Cluster
Visualisasi interpolasi 11 titik recall precision pada
Tabel 5.11
. ditampilkan dalam bentuk grafik sebagai berikut :
80
Gambar 5.9. Grafik interpolasi 11 titik recall precision terhadap query “jaringan komputer” pada
Sistem Pemerolehan Informasi berbasis Cluster
5.1.2.5.2. Hasil Pencarian dengan Sistem Pemerolehan Informasi Konvensional
Jumlah dokumen yang diperoleh : 15
Jumlah dokumen relevan yang diperoleh : 8
Waktu eksekusi : 14,9437 detik
Hasil penentuan relevansi dari dokumen yang diperoleh adalah sebagai berikut :
NO DOKUMEN
REL
1
PENGEMBANGAN JARINGAN KOMPUTER UNIVERSITAS SURAKARTA BERDASARKAN PERBANDINGAN PROTOKOL ROUTING INFORMATION
PROTOKOL RIP DAN PROTOKOL OPEN SHORTEST PATH FIRST OSPF
1 2
ANALISA DAN PERANCANGAN INTRUSION DETECTION SYSTEM IDS PADA JARINGAN NIRKABEL STIKOM DINAMIKA BANGSA
1 3
PERBANDINGAN PERFORMANCE JARINGAN IPV6 NATIVE DENGAN TUNNELING TEREDO 6 to 4
1 4
IMPLEMENTASI ROUTING PROTOCOL OPEN SHORTEST PATH FIRSTOSPF PADA MODEL TOPOLOGY RING
1 5
ANALISA QOS JARINGAN WIRELESS MODE AD HOC YANG MENGIMPLEMENTASIKAN PROTOKOL ZRP
1 6
ONE-WAY DELAY VOIP PADA JARINGAN WIRELESS INTRANET
1 7
PERANCANGAN PROTOTYPE JARINGAN IPv6 MENGGUNAKAN MIKROTIK ROUTER OS PADA PTS XYZ
1
20 40
60 80
100 120
20 40
60 80
100 120
Berbasis Cluster
81 8
SISTEM INFORMASI GEOGRAFIS JARINGAN PIPA STUDI KASUS: PDAM KOTA BANDUNG
9
KEAMANAN DATA PADA JARINGAN WIMAX MENGGUNAKAN ALGORITMA ADVANCE ENCRYPTION STANDARD RIJNDAEL 256 BIT
1 10
SISTEM INFORMASI PEMANTAUAN CUACA BERBASIS JARINGAN TELEPON SELULER
11
SISTEM PAKAR UNTUK MENGIDENTIFIKASI PENYAKIT INFEKSI BAKTERI DAN VIRUS
12
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN LOKASI BTS MENGGUNAKAN METODE PROMETHEE
13
SISTEM PAKAR MENDIAGNOSA PENYAKIT PADA MANUSIA DENGAN PENALARAN BERBASIS ATURAN RULE-BASED REASONING
14
PERANCANGAN SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN UNTUK PENERIMAAN BEASISWA DENGAN METODE SAW SIMPLE ADDITIVE
WEIGHTING
15
SISTEM INFORMASI MANAJEMEN DEMOGRAFI KABUPATEN TRENGGALEK Tabel 5.30. Hasil pencarian dengan query
“jaringan komputer” pada Sistem Pemerolehan Informasi berbasis Cluster
Dari hasil penentuan relevansi tersebut, nilai recall dan precision dari sistem pemerolehan informasi konvensional ditentukan sebagai berikut :
RECALL PRECISION
100 7
100 14
100 21
100 29
100 36
100 43
100 50
100 57
89
Tabel 5.31. Penghitungan recall - precision terhadap query “jaringan komputer” pada Sistem
Pemerolehan Informasi Konvensional
Interpolasi 11 titik recall precision dari penghitungan recall – precision pada
Tabel 5.13. ditampilkan pada tabel berikut ini :
RECALL PRECISION
100 10
100 20
100 30
100 40
100
82 50
100 60
70 80
90 100
Tabel 5.32. Interpolasi 11 titik recall precision terhadap query “jaringan komputer” pada Sistem
Pemerolehan Informasi Konvensional
Visualisasi interpolasi 11 titik recall precision pada Tabel 5.14. ditampilkan dalam bentuk grafik sebagai berikut :
Gambar 5.10. Grafik interpolasi 11 titik recall precision terhadap query “jaringan komputer” pada
Sistem Pemerolehan Informasi Konvensional
5.1.2.6. Pencarian dengan query “data mining menggunakan k-means”
Kueri : data mining menggunakan
k-means Jumlah dokumen relevan dalam koleksi
: 3 Jumlah seluruh dokumen dalam koleksi
: 100
5.1.2.6.1. Hasil Pencarian dengan Sistem Pemerolehan Informasi berbasis Cluster
Jumlah dokumen yang diperoleh : 1
20 40
60 80
100 120
20 40
60 80
100 120
Berbasis Cluster Konvensional
83
Jumlah dokumen relevan yang diperoleh : 1
Waktu eksekusi : 13,5197 detik
Hasil penentuan relevansi dari dokumen yang diperoleh adalah sebagai berikut :
NO DOKUMEN
REL
1 OPTIMASI PEMILIHAN SEEDS ALGORITMA K-MEANS PADA PENGELOMPOKAN
DOKUMEN BERBAHASA INGGRIS 1
Tabel 5.33. Hasil pencarian dengan query “data mining menggunakan k-means” pada Sistem
Pemerolehan Informasi berbasis Cluster
Dari hasil penentuan relevansi tersebut, nilai recall dan precision dari sistem pemerolehan informasi berbasis cluster ditentukan sebagai berikut :
RECALL PRECISION
100 33
100
Tabel 5.34. Penghitungan recall - precision terhadap query “data mining menggunakan k-means”
pada Sistem Pemerolehan Informasi berbasis Cluster
Interpolasi 11 titik recall precision dari penghitungan recall – precision pada
Tabel 5.10
. ditampilkan pada tabel berikut ini :
RECALL PRECISION
100 10
100 20
100 30
100 40
50 60
70 80
90 100
Tabel 5.35. Interpolasi 11 titik recall precision terhadap query “data mining menggunakan k-
means” pada Sistem Pemerolehan Informasi berbasis Cluster
Visualisasi interpolasi 11 titik recall precision pada
Tabel 5.11
. ditampilkan dalam bentuk grafik sebagai berikut :
84
Gambar 5.11. Grafik interpolasi 11 titik recall precision terhadap query “naïve bayes” pada Sistem
Pemerolehan Informasi berbasis Cluster
5.1.2.6.2. Hasil Pencarian dengan Sistem Pemerolehan Informasi Konvensional
Jumlah dokumen yang diperoleh : 3
Jumlah dokumen relevan yang diperoleh : 2
Waktu eksekusi : 14,7423 detik
Hasil penentuan relevansi dari dokumen yang diperoleh adalah sebagai berikut :
NO DOKUMEN
REL
1
PERBANDINGAN PARTITION AROUND MEDOIDS PAM DAN K-MEANS CLUSTERING UNTUK TWEETS
1 2
OPTIMASI PEMILIHAN SEEDS ALGORITMA K-MEANS PADA PENGELOMPOKAN DOKUMEN BERBAHASA INGGRIS
1 3
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFIER
Tabel 5.36. Hasil pencarian dengan query “data mining menggunakan k-means” pada Sistem
Pemerolehan Informasi Konvensional
Dari hasil penentuan relevansi tersebut, nilai recall dan precision dari sistem pemerolehan informasi konvensional ditentukan sebagai berikut :
20 40
60 80
100 120
20 40
60 80
100 120
Berbasis Cluster
85
RECALL PRECISION
100 33
100 67
100
Tabel 5.37. Penghitungan recall - precision terhadap query “data mining menggunakan k-means”
pada Sistem Pemerolehan Informasi Konvensional
Interpolasi 11 titik recall precision dari penghitungan recall – precision pada
Tabel 5.13. ditampilkan pada tabel berikut ini :
RECALL PRECISION
100 10
100 20
100 30
100 40
100 50
100 60
100 70
80 90
100
Tabel 5.38. Interpolasi 11 titik recall precision terhadap query “data mining menggunakan k-
means” pada Sistem Pemerolehan Informasi Konvensional
Visualisasi interpolasi 11 titik recall precision pada Tabel 5.14. ditampilkan dalam bentuk grafik sebagai berikut :
86
Gambar 5.12. Grafik interpolasi 11 titik recall precision terhadap query “data mining
menggunakan k- means” pada Sistem Pemerolehan Informasi Konvensional
5.1.2.7. Pencarian dengan query “kesehatan manusia”
Kueri : kesehatan manusia
Jumlah dokumen relevan : 14
Jumlah seluruh dokumen dalam koleksi : 100
5.1.2.7.1. Hasil Pencarian dengan Sistem Pemerolehan Informasi berbasis Cluster
Jumlah dokumen yang diperoleh : 5
Jumlah dokumen relevan yang diperoleh : 4
Waktu eksekusi : 12,6810 detik
Hasil penentuan relevansi dari dokumen yang diperoleh adalah sebagai berikut :
NO DOKUMEN
REL
1 PENERAPAN METODE FORWARD CHAINING DAN TEOREMA BAYES PADA
SISTEM PAKAR DIAGNOSA PENYAKIT TULANG 1
2 SISTEM PAKAR MENDIAGNOSA PENYAKIT PADA MANUSIA DENGAN
PENALARAN BERBASIS ATURAN RULE-BASED REASONING 1
3 APLIKASI SISTEM PAKAR DIAGNOSA PENYAKIT GINJAL DENGAN METODE
DEMPSTER-SHAFER 1
20 40
60 80
100 120
20 40
60 80
100 120
Konvensional
87
4 SISTEM PAKAR UNTUK DIAGNOSIS PENYAKIT AYAM YANG DISEBABKAN OLEH
VIRUS 5
SISTEM PAKAR PENGOBATAN REFLEKSOLOGI 1
Tabel 5.39. Hasil pencarian dengan query “kesehatan manusia” pada Sistem Pemerolehan
Informasi berbasis Cluster
Dari hasil penentuan relevansi tersebut, nilai recall dan precision dari sistem pemerolehan informasi berbasis cluster ditentukan sebagai berikut :
RECALL PRECISION
100 7
100 14
100 21
100 29
80
Tabel 5.40. Penghitungan recall - precision terhadap query “kesehatan manusia” pada Sistem
Pemerolehan Informasi berbasis Cluster
Interpolasi 11 titik recall precision dari penghitungan recall – precision pada
Tabel 5.10
. ditampilkan pada tabel berikut ini :
RECALL PRECISION
100 100
100 100
100 100
Tabel 5.41. Interpolasi 11 titik recall precision terhadap query “kesehatan manusia” pada Sistem
Pemerolehan Informasi berbasis Cluster
Visualisasi interpolasi 11 titik recall precision pada
Tabel 5.11
. ditampilkan dalam bentuk grafik sebagai berikut :
88
Gambar 5.13. Grafik interpolasi 11 titik recall precision terhadap query “kesehatan manusia” pada
Sistem Pemerolehan Informasi berbasis Cluster
5.1.2.7.2. Hasil Pencarian dengan Sistem Pemerolehan Informasi Konvensional
Jumlah dokumen yang diperoleh : 5
Jumlah dokumen relevan yang diperoleh : 4
Waktu eksekusi : 14,9348 detik
Hasil penentuan relevansi dari dokumen yang diperoleh adalah sebagai berikut :
NO DOKUMEN
REL
1
PENERAPAN METODE FORWARD CHAINING DAN TEOREMA BAYES PADA SISTEM PAKAR DIAGNOSA PENYAKIT TULANG
1 2
SISTEM PAKAR MENDIAGNOSA PENYAKIT PADA MANUSIA DENGAN PENALARAN BERBASIS ATURAN RULE-BASED REASONING
1 3
APLIKASI SISTEM PAKAR DIAGNOSA PENYAKIT GINJAL DENGAN METODE DEMPSTER-SHAFER
1 4
SISTEM PAKAR UNTUK DIAGNOSIS PENYAKIT AYAM YANG DISEBABKAN OLEH VIRUS
5
SISTEM PAKAR PENGOBATAN REFLEKSOLOGI
1
Tabel 5.42. Hasil pencarian dengan query “kesehatan manusia” pada Sistem Pemerolehan
Informasi Konvensional 20
40 60
80 100
120
20 40
60 80
100 120
Berbasis Cluster
89
Dari hasil penentuan relevansi tersebut, nilai recall dan precision dari sistem pemerolehan informasi konvensional ditentukan sebagai berikut :
RECALL PRECISION
100 7
100 14
100 21
100 29
80
Tabel 5.43. Penghitungan recall - precision terhadap query “kesehatan manusia” pada Sistem
Pemerolehan Informasi Konvensional
Interpolasi 11 titik recall precision dari penghitungan recall – precision pada
Tabel 5.13. ditampilkan pada tabel berikut ini :
RECALL PRECISION
100 100
100 100
100 100
Tabel 5.44. Interpolasi 11 titik recall precision terhadap query “naïve bayes” pada Sistem
Pemerolehan Informasi Konvensional
Visualisasi interpolasi 11 titik recall precision pada Tabel 5.14. ditampilkan dalam bentuk grafik sebagai berikut :
90
Gambar 5.14. Grafik interpolasi 11 titik recall precision terhadap query “naïve bayes” pada Sistem
Pemerolehan Informasi Konvensional
5.1.2.8. Pencarian dengan query “diagnosa penyakit”
Kueri : diagnosa penyakit
Jumlah dokumen relevan : 13
Jumlah seluruh dokumen dalam koleksi : 100
5.1.2.8.1. Hasil Pencarian dengan Sistem Pemerolehan Informasi berbasis Cluster
Jumlah dokumen yang diperoleh : 1
Jumlah dokumen relevan yang diperoleh : 1
Waktu eksekusi : 12,2554 detik
Hasil penentuan relevansi dari dokumen yang diperoleh adalah sebagai berikut :
NO DOKUMEN
REL
1 SISTEM PAKAR PENDIAGNOSA PENYAKIT ANAK MENGGUNAKAN CERTAINTY
FACTOR CF 1
Tabel 5.45. Hasil pencarian dengan query “diagnosa penyakit” pada Sistem Pemerolehan
Informasi berbasis Cluster 20
40 60
80 100
120
20 40
60 80
100 120
Berbasis Cluster Konvensional
91
Dari hasil penentuan relevansi tersebut, nilai recall dan precision dari sistem pemerolehan informasi berbasis cluster ditentukan sebagai berikut :
RECALL PRECISION
100 8
100
Tabel 5.46. Penghitungan recall - precision terhadap query “diagnosa penyakit” pada Sistem
Pemerolehan Informasi berbasis Cluster
Interpolasi 11 titik recall precision dari penghitungan recall – precision pada
Tabel 5.10
. ditampilkan pada tabel berikut ini :
RECALL PRECISION
100 10
20 30
40 50
60 70
80 90
100
Tabel 5.47. Interpolasi 11 titik recall precision terhadap query “diagnosa penyakit” pada Sistem
Pemerolehan Informasi berbasis Cluster
Visualisasi interpolasi 11 titik recall precision pada
Tabel 5.11
. ditampilkan dalam bentuk grafik sebagai berikut :
92
Gambar 5.15. Grafik interpolasi 11 titik recall precision terhadap query “diagnosa penyakit” pada
Sistem Pemerolehan Informasi berbasis Cluster
5.1.2.8.2. Hasil Pencarian dengan Sistem Pemerolehan Informasi Konvensional
Jumlah dokumen yang diperoleh : 8
Jumlah dokumen relevan yang diperoleh : 8
Waktu eksekusi :15,1375 detik
Hasil penentuan relevansi dari dokumen yang diperoleh adalah sebagai berikut :
NO DOKUMEN
REL
1
APLIKASI SISTEM PAKAR DIAGNOSA PENYAKIT GINJAL DENGAN METODE DEMPSTER-SHAFER
1 2
SISTEM PAKAR PENDIAGNOSA PENYAKIT ANAK MENGGUNAKAN CERTAINTY FACTOR CF
1 3
SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT DIABETES MELLITUS BERBASIS MOBILE
1 4
PERANCANGAN SISTEM PAKAR PENYAKIT PARU-PARU MENGGUNAKAN METODE VCIRS
1 5
SISTEM PAKAR DIAGNOSA PENYAKIT TANAMAN PADI UNTUK MENINGKATKAN HASIL PANEN
1 6
SISTEM PAKAR MENDIAGNOSA PENYAKIT PADA MANUSIA DENGAN PENALARAN BERBASIS ATURAN RULE-BASED REASONING
1 7
SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT TELINGA HIDUNG TENGGOROKAN PADA MANUSIA
1 8
PENERAPAN METODE FORWARD CHAINING DAN TEOREMA BAYES PADA
1
20 40
60 80
100 120
20 40
60 80
100 120
Berbasis Cluster
93
SISTEM PAKAR DIAGNOSA PENYAKIT TULANG Tabel 5.48. Hasil pencarian dengan query
“diagnosa penyakit” pada Sistem Pemerolehan Informasi Konvensional
Dari hasil penentuan relevansi tersebut, nilai recall dan precision dari sistem pemerolehan informasi konvensional ditentukan sebagai berikut :
RECALL PRECISION
100 8
100 15
100 23
100 31
100 38
100 46
100 54
100 62
100
Tabel 5.49. Penghitungan recall - precision terhadap query “diagnosa penyakit” pada Sistem
Pemerolehan Informasi Konvensional
Interpolasi 11 titik recall precision dari penghitungan recall – precision pada
Tabel 5.13. ditampilkan pada tabel berikut ini :
RECALL PRECISION
100 10
100 20
100 30
100 40
100 50
100 60
100 70
80 90
100
Tabel 5.50. Interpolasi 11 titik recall precision terhadap query “diagnosa penyakit” pada Sistem
Pemerolehan Informasi Konvensional
Visualisasi interpolasi 11 titik recall precision pada Tabel 5.14. ditampilkan dalam bentuk grafik sebagai berikut :
94
Gambar 5.16. Grafik interpolasi 11 titik recall precision terhadap query “diagnosa penyakit” pada
Sistem Pemerolehan Informasi Konvensional
5.1.2.9. Pencarian dengan query “tcp udp”
Kueri : tcp udp
Jumlah dokumen relevan : 2
Jumlah seluruh dokumen dalam koleksi : 100
5.1.2.9.1. Hasil Pencarian dengan Sistem Pemerolehan Informasi berbasis Cluster
Jumlah dokumen yang diperoleh : 4
Jumlah dokumen relevan yang diperoleh : 2
Waktu eksekusi : 12,0591 detik
Hasil penentuan relevansi dari dokumen yang diperoleh adalah sebagai berikut :
NO DOKUMEN
REL
1
PENGEMBANGAN JARINGAN KOMPUTER UNIVERSITAS SURAKARTA BERDASARKAN PERBANDINGAN PROTOKOL ROUTING INFORMATION
PROTOKOL RIP DAN PROTOKOL OPEN SHORTEST PATH FIRST OSPF
2
PERBANDINGAN PERFORMANCE JARINGAN IPV6 NATIVE DENGAN TUNNELING TEREDO 6 to 4
1 3
PERANCANGAN PROTOTYPE JARINGAN IPv6 MENGGUNAKAN MIKROTIK
1
20 40
60 80
100 120
20 40
60 80
100 120
Konvensional
95
ROUTER OS PADA PTS XYZ
4
ANALISIS PERBANDINGAN PERFORMANSI REACTIVE ROUTING PROTOKOL AODV DAN DSR PADA JARINGAN AD HOC
Tabel 5.51. Hasil pencarian dengan query “tcp udp” pada Sistem Pemerolehan Informasi berbasis
Cluster
Dari hasil penentuan relevansi tersebut, nilai recall dan precision dari sistem pemerolehan informasi berbasis cluster ditentukan sebagai berikut :
RECALL PRECISION
50 50
100 67
Tabel 5.52. Penghitungan recall - precision terhadap query “tcp udp” pada Sistem Pemerolehan
Informasi berbasis Cluster
Interpolasi 11 titik recall precision dari penghitungan recall – precision pada
Tabel 5.10
. ditampilkan pada tabel berikut ini :
RECALL PRECISION
67 10
67 20
67 30
67 40
67 50
67 60
67 70
67 80
67 90
67 100
67
Tabel 5.53. Interpolasi 11 titik recall precision terhadap query “tcp udp” pada Sistem Pemerolehan
Informasi berbasis Cluster
Visualisasi interpolasi 11 titik recall precision pada
Tabel 5.11
. ditampilkan dalam bentuk grafik sebagai berikut :
96
Gambar 5.17. Grafik interpolasi 11 titik recall precision terhadap query “tcp udp” pada Sistem
Pemerolehan Informasi berbasis Cluster
5.1.2.9.2. Hasil Pencarian dengan Sistem Pemerolehan Informasi Konvensional
Jumlah dokumen yang diperoleh : 4
Jumlah dokumen relevan yang diperoleh : 2
Waktu eksekusi : 14,7241 detik
Hasil penentuan relevansi dari dokumen yang diperoleh adalah sebagai berikut :
NO DOKUMEN
REL
1
PENGEMBANGAN JARINGAN KOMPUTER UNIVERSITAS SURAKARTA BERDASARKAN PERBANDINGAN PROTOKOL ROUTING INFORMATION
PROTOKOL RIP DAN PROTOKOL OPEN SHORTEST PATH FIRST OSPF
2
PERBANDINGAN PERFORMANCE JARINGAN IPV6 NATIVE DENGAN TUNNELING TEREDO 6 to 4
1 3
PERANCANGAN PROTOTYPE JARINGAN IPv6 MENGGUNAKAN MIKROTIK ROUTER OS PADA PTS XYZ
1 4
ANALISIS PERBANDINGAN PERFORMANSI REACTIVE ROUTING PROTOKOL AODV DAN DSR PADA JARINGAN AD HOC
Tabel 5.54. Hasil pencarian dengan query “tcp udp” pada Sistem Pemerolehan Informasi
Konvensional 10
20 30
40 50
60 70
80
20 40
60 80
100 120
Berbasis Cluster
97
Dari hasil penentuan relevansi tersebut, nilai recall dan precision dari sistem pemerolehan informasi konvensional ditentukan sebagai berikut :
RECALL PRECISION
100 50
50 100
67
Tabel 5.55. Penghitungan recall - precision terhadap query “tcp udp” pada Sistem Pemerolehan
Informasi Konvensional
Interpolasi 11 titik recall precision dari penghitungan recall – precision pada
Tabel 5.13. ditampilkan pada tabel berikut ini :
RECALL PRECISION
100 10
100 20
100 30
100 40
100 50
100 60
67 70
67 80
67 90
67 100
67
Tabel 5.56. Interpolasi 11 titik recall precision terhadap query “tcp udp” pada Sistem Pemerolehan
Informasi Konvensional
Visualisasi interpolasi 11 titik recall precision pada Tabel 5.14. ditampilkan dalam bentuk grafik sebagai berikut :
98
Gambar 5.18. Grafik interpolasi 11 titik recall precision terhadap query “tcp udp” pada Sistem
Pemerolehan Informasi Konvensional
5.1.2.10. Pencarian dengan query “wireless”
Kueri : wireless
Jumlah dokumen relevan : 6
Jumlah seluruh dokumen dalam koleksi : 100
5.1.2.10.1. Hasil Pencarian dengan Sistem Pemerolehan Informasi
berbasis Cluster
Jumlah dokumen yang diperoleh : 6
Jumlah dokumen relevan yang diperoleh : 4
Waktu eksekusi : 12,7906 detik
Hasil penentuan relevansi dari dokumen yang diperoleh adalah sebagai berikut :
NO DOKUMEN
REL
1
ANALISIS KELAYAKAN PENGGUNAAN PROTOKOL WIRELESS UNTUK TRANSIMISI DATA PADA WIRELESS BODY AREA NETWORK WBAN
1 2
ONE-WAY DELAY VOIP PADA JARINGAN WIRELESS INTRANET
1 3
ANALISA QOS JARINGAN WIRELESS MODE AD HOC YANG MENGIMPLEMENTASIKAN PROTOKOL ZRP
1 4
OPTIMASI ROUTING PADA JARINGAN MANET MENGGUNAKAN MEDSR DAN
1
20 40
60 80
100 120
20 40
60 80
100 120
Konvensional
99
LET
5
ANALISIS PERBANDINGAN PERFORMANSI REACTIVE ROUTING PROTOKOL AODV DAN DSR PADA JARINGAN AD HOC
6
PERANCANGAN PROTOTYPE JARINGAN IPv6 MENGGUNAKAN MIKROTIK ROUTER OS PADA PTS XYZ
Tabel 5.57. Hasil pencarian dengan query “wireless” pada Sistem Pemerolehan Informasi berbasis
Cluster
Dari hasil penentuan relevansi tersebut, nilai recall dan precision dari sistem pemerolehan informasi berbasis cluster ditentukan sebagai berikut :
RECALL PRECISION
100 17
100 33
100 50
100 67
100
Tabel 5.58. Penghitungan recall - precision terhadap query “wireless” pada Sistem Pemerolehan
Informasi berbasis Cluster
Interpolasi 11 titik recall precision dari penghitungan recall – precision pada
Tabel 5.10
. ditampilkan pada tabel berikut ini :
RECALL PRECISION
100 10
100 20
100 30
100 40
100 50
100 60
100 70
80 90
100
Tabel 5.59. Interpolasi 11 titik recall precision terhadap query “wireless” pada Sistem
Pemerolehan Informasi berbasis Cluster
Visualisasi interpolasi 11 titik recall precision pada
Tabel 5.11
. ditampilkan dalam bentuk grafik sebagai berikut :
100
Gambar 5.19. Grafik interpolasi 11 titik recall precision terhadap query “wireless” pada Sistem
Pemerolehan Informasi berbasis Cluster
5.1.2.10.2. Hasil Pencarian dengan Sistem Pemerolehan Informasi
Konvensional
Jumlah dokumen yang diperoleh : 9
Jumlah dokumen relevan yang diperoleh : 5
Waktu eksekusi : 14,4841 detik
Hasil penentuan relevansi dari dokumen yang diperoleh adalah sebagai berikut :
NO DOKUMEN
REL
1
ANALISIS KELAYAKAN PENGGUNAAN PROTOKOL WIRELESS UNTUK TRANSIMISI DATA PADA WIRELESS BODY AREA NETWORK WBAN
1 2
ONE-WAY DELAY VOIP PADA JARINGAN WIRELESS INTRANET
1 3
ANALISA QOS JARINGAN WIRELESS MODE AD HOC YANG MENGIMPLEMENTASIKAN PROTOKOL ZRP
1 4
OPTIMASI ROUTING PADA JARINGAN MANET MENGGUNAKAN MEDSR DAN LET
1 5
KEAMANAN DATA PADA JARINGAN WIMAX MENGGUNAKAN ALGORITMA ADVANCE ENCRYPTION STANDARD RIJNDAEL 256 BIT
1 6
ANALISIS PERBANDINGAN PERFORMANSI REACTIVE ROUTING PROTOKOL AODV DAN DSR PADA JARINGAN AD HOC
7
IMPLEMENTASI PROTOKOL ROUTING JARINGAN AD HOC MULTIUSER PADA GATEWAY UNTUK SISTEM KOMUNIKASI KAPAL LAUT
8
ANALISIS DAN PERBANDINGAN KINERJA DARI QOS MANAJEMEN PADA IP 20
40 60
80 100
120
20 40
60 80
100 120
Berbasis Cluster
101
MULTIMEDIA SUBSYSTEM IMS: MENGGUNAKAN INTSERV DAN DIFFSERV MODEL
9
PERANCANGAN PROTOTYPE JARINGAN IPv6 MENGGUNAKAN MIKROTIK ROUTER OS PADA PTS XYZ
Tabel 5.60. Hasil pencarian dengan query “wireless” pada Sistem Pemerolehan Informasi
Konvensional
Dari hasil penentuan relevansi tersebut, nilai recall dan precision dari sistem pemerolehan informasi konvensional ditentukan sebagai berikut :
RECALL PRECISION
100 17
100 33
100 50
100 67
100 83
100
Tabel 5.61. Penghitungan recall - precision terhadap query “wireless” pada Sistem Pemerolehan
Informasi Konvensional
Interpolasi 11 titik recall precision dari penghitungan recall – precision pada
Tabel 5.13. ditampilkan pada tabel berikut ini :
RECALL PRECISION
100 10
100 20
100 30
100 40
100 50
100 60
100 70
100 80
100 90
100
Tabel 5.62. Interpolasi 11 titik recall precision terhadap query “wireless” pada Sistem
Pemerolehan Informasi Konvensional
Visualisasi interpolasi 11 titik recall precision pada Tabel 5.14. ditampilkan dalam bentuk grafik sebagai berikut :
102
Gambar 5.20. Grafik interpolasi 11 titik recall precision terhadap query “wireless” pada Sistem
Pemerolehan Informasi Konvensional
5.2. Pembahasan 5.2.1. Rerata Interpolasi 11 Titik Recall – Precision
Hasil percobaan tersebut diatas dapat dirangkum dalam tabel berikut ini :
5.2.1.1. Sistem Pemerolehan Informasi berbasis Cluster
Interpolasi 11 titik recall precision dari pengujian dengan 10 query pencarian dengan menggunakan Sistem Pemerolehan Informasi berbasis Cluster disajikan
dalam tabel berikut ini :
RECALL QUERY
AVERAGE 1
2 3
4 5
6 7
8 9
10
0 100 100 100 100 100 100 100 100 67 100 97
10 100 100 100 100 100 100 100 0 67 100
87 20 100 100 100 100 100 100 100
0 67 100 87
30 100 0 100 100 100 100
0 67 100 67
40 100 0 100 100 100
0 67 100 57
50 100 0 100 100
0 67 100 47
60 100 0 100
0 67 100 37
70 100 0 100
0 67 27
80 0 67
7 90
0 67 7
Tabel 5.63. Interpolasi 11 titik recall precision dari pengujian dengan 10 query pencarian dengan menggunakan Sistem Pemerolehan Informasi berbasis Cluster
20 40
60 80
100 120
20 40
60 80
100 120
Konvensional
103
5.2.1.2. Sistem Pemerolehan Informasi Konvensional
Interpolasi 11 titik recall precision dari pengujian dengan 10 query pencarian dengan menggunakan Sistem Pemerolehan Informasi Konvensional disajikan
dalam tabel berikut ini:
RECALL QUERY
AVERAGE 1
2 3
4 5
6 7
8 9
10
0 100 100 100 100 100 100 100 100 100 100 100
10 100 100 100 100 100 100 100 100 100 100 100
20 100 100 100 100 100 100 100 100 100 100 100
30 100 100 100 100 100 100 0 100 100 100
90 40 100 100
86 100 100 100 0 100 100 100
89 50 100 100
75 100 100 100 0 100 100 100
88 60
93 100 75 100
0 100 0 100
67 100 74
70 93 100
0 100 67 100
46 80
93 100 0 100
67 100 46
90 93 100
0 100 67
36
Tabel 5.64. Interpolasi 11 titik recall precision dari pengujian dengan 10 query pencarian dengan menggunakan Sistem Pemerolehan Informasi Konvensional
Dari tabel tersebut, rata-rata interpolasi 11 titik recall - precision dari kedua
sistem dapat ditemukan. Hasilnya disajikan dalam tabel berikut :
RECALL BERBASIS CLUSTER KONVENSIONAL 97
100 10
87 100
20 87
100 30
67 90
40 57
89 50
47 88
60 37
74 70
27 46
80 7
46 90
7 36
100 7
17 AVE
48 71
Tabel 5.65. Rata-rata interpolasi 11 titik recall precision dari pengujian dengan 10 query pencarian dari kedua sistem
Dari penghitungan average precision tersebut, diketahui bahwa Sistem Pemerolehan Informasi Konvensional memiliki precision yang lebih baik
104
dibandingkan dengan Sistem Pemerolehan Informasi berbasis Cluster. Visualisasinya adalah sebagai berikut :
Gambar 5.21. Grafik rerata interpolasi 11 titik recall precision kedua jenis sistem
Dengan melihat luasan bidang dibawah grafik, dapat disimpulkan bahwa sistem pemerolehan informasi konvensional memiliki average precision yang lebih baik.
Dalam penelitian ini, sistem pemerolehan informasi berbasis cluster memiliki precision yang lebih rendah dibandingkan dengan sistem pemerolehan informasi
konvensional dikarenakan dua hal, yaitu : Pemodelan cluster menggunakan jenis pemodelan hard clustering, dimana
satu dokumen hanya bisa menempati satu cluster saja dan tidak bisa menjadi anggota cluster yang lain.
Retrieval dibatasi dengan pengambilan satu cluster saja yang paling mirip dengan query. Hal ini menyebabkan beberapa dokumen relevan yang terdapat
pada cluster lain tidak diretrieve oleh sistem, sehingga menurunkan nilai precision.
20 40
60 80
100 120
20 40
60 80
100 120
Berbasis Cluster Konvensional
105
5.2.2. Waktu Eksekusi
Sementara itu, hasil penghitungan rerata waktu eksekusi dalam satuan detik dari
kedua sistem ditampilkan sebagai berikut :
QUERY BERBASIS CLUSTER s KONVENSIONAL s 1
13.3721 18.5425
2 13.3514
16.0667 3
14.0447 14.5661
4 12.4743
15.4405 5
12.2814 14.9437
6 13.5197
14.7423 7
12.681 14.9348
8 12.2554
15.1375 9
12.0591 14.7241
10 12.7906
14.4841
AVE 12.88297
15.35823
Tabel 5.66. Hasil penghitungan rerata waktu eksekusi dalam satuan detik dari kedua sistem
Visualisasi data waktu retrieval kedua sistem tersebut divisualisasikan dalam kedua grafik berikut ini :
106
Gambar 5.22 Grafik rerata waktu retrieval kedua jenis sistem 1
Gambar 5.23. Grafik rerata waktu retrieval kedua jenis sistem 2 -
5.0000 10.0000 15.0000 20.0000 1
2 3
4 5
6 7
8 9
10
Waktu ms Qu
e ry
Waktu Eksekusi
Konvensional Berbasis Cluster
- 2.0000
4.0000 6.0000
8.0000 10.0000
12.0000 14.0000
16.0000 18.0000
20.0000
2 4
6 8
10 12
W a
k tu
m s
Query
Waktu Eksekusi
Berbasis Cluster Konvensional
107
Dari grafik tersebut, terlihat sistem pemerolehan informasi berbasis cluster memiliki waktu eksekusi yang lebih baik dibandingkan dengan sistem
pemerolehan informasi konvensional. Dalam penelitian ini, sistem pemerolehan informasi berbasis cluster memiliki
waktu eksekusi yang lebih singkat dibandingkan dengan sistem pemerolehan informasi konvensional. Hal ini terjadi karena sistem tidak perlu membaca dan
memberikan bobot kepada seluruh dokumen yang terdapat dalam koleksi, melainkan hanya pada dokumen anggota cluster yang paling mirip dengan query
pencarian.
5.3. Kelebihan dan Kekurangan Sistem
Dengan membandingkan presisi pencarian terhadap sistem pemerolehan informasi konvensional, didapatkan beberapa kekurangan dan kelebihan dari sistem
pemerolehan informasi berbasis cluster, antara lain sebagai berikut :
5.3.1. Kelebihan Sistem
Sistem pemerolehan informasi berbasis cluster memiliki kecepatan retrieval yang lebih cepat dibandingkan dengan sistem pemerolehan
informasi konvensional. Hal ini dimungkinkan karena sistem tidak perlu menghitung skor seluruh dokumen koleksi terhadap query. Hanya
dokumen anggota cluster yang memiliki skor terbesar terhadap query saja yang diperhitungkan.
5.3.2. Kekurangan Sistem
Sebagai tradeoff terhadap kecepatan retrieval yang lebih baik, sistem pemerolehan informasi berbasis cluster memiliki precision yang
lebih rendah dibandingkan dengan sistem pemerolehan informasi konvensional. Hal ini dikarenakan pemodelan cluster menggunakan jenis
pemodelan hard clustering, dimana satu dokumen hanya bisa menempati satu cluster, dan retrieval pun hanya dibatasi dengan pengambilan satu
cluster saja yang paling mirip dengan query. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Kategori