Sistem klasifikasi dokumen Bahasa Jawa dengan metode K Nearest Neighbor (K NN)

(1)

SISTEM KLASIFIKASI DOKUMEN BAHASA JAWA

DENGAN METODE K-NEAREST NEIGHBOR (K-NN)

Skripsi

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh

Veverly Widyastuti Palinoan

085314108

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

(2)

JAVANESE DOCUMENT CLASSIFICATION SYSTEM

USING K-NEAREST NEIGHBOR (K-NN)

ALGORITHMS

A Thesis

Presented as Partial Fulfillment of The Requirements

To Obtain Sarjana Komputer Degree in Informatics Engineering Study Program

Veverly Widyastuti Palinoan

085314108

INFORMATICS ENGINEERING STUDY PROGRAM

FACULTY OF SCIENCE AND TECNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

(3)

(4)

(5)

(6)

HALAMAN MOTO

“Tuhan pasti memberikan yang terbaik

.

”

“Pikullah kuk yang kupasang dan belajarlah padaKu, sebab Aku ini

lemah lembut dan rendah hati, maka hatimu akan mendapatkan ketenangan

(7)

vii

HALAMAN PERSEMBAHAN

Tugas akhir ini saya persembahkan untuk :

Allah Tritunggal, Bunda Maria, Orangtuaku, saudara- saudaraku,

sahabat – sahabatku

(8)

viii ABSTRAK

Bahasa Jawa merupakan salah satu bahasa daerah di Indonesia yang sangat sering digunakan. Banyak artikel Bahasa Jawa yang dapat kita jumpai setiap hari dalam bentuk dokumen digital. Untuk mempermudah seseorang dalam penemuan informasi dalam artikel Bahasa Jawa yang dicari dapat dilakukan dengan menggunakan klasifikasi dokumen. Penelitian ini bertujuan untuk membuat suatu aplikasi yang mampu mengklasifikasikan artikel bahasa Jawa menggunakan sistem pemerolehan informasi dan dikombinasikan dengan algoritma K-Nearest Neighbor.

Penelitian ini membagi dokumen ke dalam empat kategori yaitu politik, ekonomi, kesehatan, dan pendidikan. Proses klasifikasi dokumen diawali dengan membaca dokumen, tokenisasi, stopword, stemming, text frequency. Sistem ini menggunakan vektor ciri TF-IDF (term frequency/ Inverse document frequency).

Term frequency adalah jumlah kemunculan suatu kata dalam sebuah dokumen, sedangkan inverse document frequency adalah inverse dari banyaknya dokumen dimana suatu term tersebut muncul. Setelah menghitung TF-IDF dilakukan perhitungan Cosine Similarity. Cosine Similarity merupakan algoritma yang digunakan untuk menghitung kemiripan antara dokumen baru dan dokumen pelatihan. Untuk melakukan klasifikasi dokumen digunakan algoritma K-Nearest Neighbor. Metode K-Nearest Neighbor mengklasifikasikan dokumen dengan menggunakan hasil dari perhitungan TF-IDF yang digunakan untuk menghitung kedekatan antar dokumen (cosine similarity)

Pada penelitian ini dilakukan pengujian yaitu dengan cross validation kemudian dilakukan uji presisi. Data yang digunakan sebanyak 40 dokumen. Tingkat akurasi untuk 3 fold k = 4 mencapai 95% dan k = 8 mencapai 92%, untuk 5 fold k = 4 mencapai 92% dan k = 8 mencapai 94%.

Kata kunci : klasifikasi dokumen bahasa Jawa, K-Nearest Neighbor, K-NN,

(9)

ix ABSTRACT

Javanese language is one of local / traditional languages in Indonesia which is always used. There are many Javanese language articles that always can be found in digital document form. Clasification document can be used to find information in Javanese . The purpose of this research is to create an aplication which is able to clasify Javanese language article by using the combination of the information retrieval system and K-Nearest neighbor algorithm.

This research divided the documents into 4 categories which consist of : politic, economy, health and education. The process of clasification begins with reading the document, tokenizing, stopword, stemming, text frequency . The system uses a feature vector is TF-IDF (term frequency/inverse document frequency). Term frequency is the sum of a word's frequency in one term, meanwhile, inverse document is the frequency of documents in one term. Cosine similarity will calculate after calculating TF-IDF . Cosine similarity is the algorithm which is used to calculate similarity between the new document and the exercise document. K-Nearest Neighbour algorithm is using to clasify the document. K-Nearest Neighbor methode clasified the document by using the equal of calculating TF-IDF is used to compute the proximity between documents (cosine similarity).

This research also tested by cross validation then presision test. Using 40 data of documents. Accurancy for 3 fold k = 4 reaches 95 % and k = 8 reaches 92%, for 5 fold k =4 reaches 94 % and k = 8 reaches 94% .

Keywords : Javanese languange classification, K-Nearest Neighbor, K-NN, Information Retrieval

(10)

(11)

KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa atas kasih dan penyertaannyalah sehingga penulis dapat menyelesaikan penyususnan skripsi dengan judul “Sistem Klasifikasi Dokumen Bahasa Jawa Dengan Metode K-Nearest Neighbor (K-NN)”. Penulisan skripsi ini ditujukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Komputer Universitas Sanata Dharma Yogyakarta.

Penyusunan skripsi ini tidak terlepas dari bantuan, bimbingan, dan peran berbagai pihak. Oleh karena itu pada kesempatan ini penulis mengucapkan terimakasih kepada pihak-pihak berikut:

1. Tuhan Yesus Kristus dan Bunda Maria yang selalu membimbing dan menuntun untuk menyelesaikan tugas skripsi ini.

2. Ibu Paulina Heruningsih Prima Rosa,S.Si.,M.Sc selaku Dekan Fakultas Sains dan Teknologi Universitas Sanata Dharma.

3. Ibu Ridowati Gunawan,S.Kom.,M.T. selaku Ketua Program Studi Teknik Informatika sekaligus selaku dosen penguji.

4. Ibu Sri Hartati Wijono,S.Si.,M.Kom. selaku dosen pembimbing sekaligus dosen pembimbing akademik yang telah meluangkan banyak waktu untuk membimbing dan memotivasi penulis untuk terus membaca dan belajar. 5. Bapak Puspaningtyas Sanjoyo Adi,S.T., M.T. selaku dosen penguji.

6. Seluruh staff pengajar dan karyawan Program Studi Teknik Informatika Fakultas Sains dan Teknologi Universitas Sanata Dharma.

7. Kedua orang tua saya bapak Putung Palinoan dan ibu Catarina Tandiayuk yang selalu mendoakan, menasehati, dan memberi semangat dalam mengerjakan tugas akhir ini.

8. Semua saudara tersayang, kakak Melianty Vemy Palinoan, Frans Fandy Palinoan, Steven Richard Palinoan, dan adik Annabelle Keysa Florence Palinoan yang terus memberikan dukungan sehingga dapat menyelesaikan skripsi ini.

(12)

xii

9. Stevanus Pradibta yang selalu memberikan kasih sayang dan dorongan dalam mengerjakan skripsi ini.

10.Teman-teman K2KAMSY yang selalu memberi dukungan dan menjadi keluarga selama di Yogyakarta

11.Sahabat-sahabatku, Vio, Euz, Andre, Lia, Carla, Eka atas semua dukungan dan semangat serta canda tawa dalam penyelesaian skripsi ini.

12.Semua pihak yang telah membantu penyelesaian skripsi ini yang tidak dapat penulis sebutkan satu persatu.

Penulis menyadari masih banyak kekurangan dalam menyusun skripsi ini, namun penulis tetap berharap skripsi ini bermanfaat bagi pengembangan ilmu pengetahuan.

Yogyakarta, Desember 2014

Penulis

(13)

xiii

DAFTAR ISI

HALAMAN JUDUL ... i

HALAMAN PERSETUJUAN ... iii

HALAMAN PENGESAHAN ... iv

PERNYATAAN KEASLIAN KARYA ... v

HALAMAN MOTTO ... vi

HALAMAN PERSEMBAHAN ... vii

ABSTRAK ... viii

ABSTRACT ... ix

LEMBAR PERNYATAAN PERSETUJUAN ... x

KATA PENGANTAR ... xi

DAFTAR ISI ... xiii

DAFTAR GAMBAR ... xvi

DAFTAR TABEL... xvii

DAFTAR LIST CODE ... xviii

BAB I PENDAHULUAN 1.1. Latar Belakang Masalah ... 1

1.2. Rumusan Masalah ... 2

1.3. Batasan Masalah ... 2

1.4. Tujuan Penelitian ... 3

1.5. Metodologi Penelitian ... 3

1.6. Sistematika Penulisan ... 4

BAB II LANDASAN TEORI 2.1. Pemerolehan Informasi ... 6

2.2. Proses Preprosesing Teks Dokumen ... 7

2.2.1.Tokenisasi ... 7

2.2.2.Stopword ... 8

2.2.3.Stemming ... 9

2.2.4.Text Frequency ... 13

2.3. Klasifikasi Teks ... 15

2.4. Metode k-Nearest Neighbor ... 15

(14)

xiv

BAB III ANALISA DAN PERANCANGAN SISTEM

3.1. Gambaran Umum Sistem ... 19

3.1.1.Proses Input Data ... 20

3.1.2.Preprocessing Dokumen ... 20

3.1.3.Proses Klasifikasi ... 21

3.1.4.Keluaran ... 22

3.2. Analisa Kebutuhan Sistem ... 22

3.2.1.Definisi Aktor ... 22

3.2.2.Diagram Use Case ... 23

3.2.3.Skenario Use Case ... 23

3.2.3.1. Skenario Use Case Preprocessing Dokumen ... 23

3.2.3.2. Skenario Use Case Klasifikasi Dokumen ... 24

3.2.4.Definisi Use Case ... 25

3.3. Perancangan Model Penyimpanan Data ... 25

3.4. Diagram Konteks ... 26

3.5. Diagram Aktifitas ... 27

3.5.1.Diagram Aktifitas Preprocessing Dokumen ... 27

3.5.2.Diagram Aktifitas Klasifikasi Dokumen ... 28

3.6. Diagram Sekuensial ... 29

3.6.1.Diagram Sekuensial Preprocessing Dokumen ... 29

3.6.2.Diagram Sekuensial Klasifikasi Dokumen ... 30

3.7. Langkah Pengerjaan Klasifikasi Dokumen ... 30

3.7.1.Preprocessing ... 32

3.7.1.1. Tokenisasi ... 32

3.7.1.2. Stopword ... 35

3.7.1.3. Stemming ... 36

3.7.2.Proses Klasifikasi ... 39

3.7.2.1. Perhitungan idf ... 39

3.7.2.2. Perhitungan Bobot (tf-idf) ... 41

3.7.2.3. Perhitungan Inner Product ... 44

3.7.2.4. Perhitungan Panjang Dokumen ... 47

3.7.3.Skenario Pengujian... 50

3.8. Perancangan Antar Muka ... 51

(15)

3.8.2.Halaman Klasifikasi Dokumen ... 52

BAB IV IMPLEMENTASI 4.1. Spesifikasi Software Dan Hardware yang Dibutuhkan ... 53

4.1.1.Spesifikasi Software ... 53

4.1.2.Spesifikasi Hardware ... 53

4.2. Implementasi Preprocessing Dokumen ... 54

4.2.1.Implementasi Pembacaan Isi Dokumen ... 54

4.2.2.Implementasi Tokenisasi, Menghapus Tanda Baca, Case Folding ... 54

4.2.3.Implementasi Stopword ... 55

4.2.4.Implementasi Stemming ... 56

4.2.5.Implementasi Save Dokumen Hasil Preprocessing ... 64

4.3. Implementasi Klasifikasi Dokumen ... 65

4.4. Implementasi Antar Muka ... 73

4.4.1.Halaman Preprocessing Dokumen ... 73

4.4.2.Halaman Klasifikasi Dokumen ... 74

BAB V HASIL DAN PEMBAHASAN 5.1. Hasil Percobaan ... 75

5.1.1.Cross Validation ... 75

5.1.1.1. 3 Fold ... 76

5.1.1.2. 5 Fold ... 80

5.2. Analisa ... 87

BAB VI KESIMPULAN DAN SARAN ... 90

Daftar Pustaka ... 91

(16)

xvi

DAFTAR GAMBAR

Gambar 3.1 Gambaran Umum Sistem ... 19

Gambar 3.2 Diagram Use Case ... 23

Gambar 3.3 Diagram Konteks ... 26

Gambar 3.4 Diagram Aktifitas Preprocessing Dokumen ... 27

Gambar 3.5 Diagram Aktifitas Klasifikasi Dokumen ... 28

Gambar 3.6 Diagram Sekuensial Preprocessing Dokumen... 29

Gambar 3.7 Diagram Sekuensial Klasifikasi Dokumen ... 30

Gambar 3.8 Contoh Proses Tokenisasi ... 33

Gambar 3.9 Contoh Proses Stopword ... 33

Gambar 3.10 Rancangan Halaman Preprocessing Dokumen ... 51

Gambar 3.11 Rancangan Halaman Klasifikasi Dokumen ... 52

Gambar 4.1 Halaman Preprosesing Dokumen ... 73

(17)

xvii

DAFTAR TABEL

Tabel 3.1 Deskripsi Use Case ... 25

Tabel 3.2 Contoh Data Training dan Testing ... 30

Tabel 3.3 Tabel Hasil Tokenisasi ... 33

Tabel 3.4 Tabel Hasil Stopword ... 35

Tabel 3.5 Tabel Hasil Stemming ... 36

Tabel 3.6 Perhitungan idf ... 38

Tabel 3.7 Perhitungan Bobot (w) ... 41

Tabel 3.8 Perhitungan Inner Product ... 44

Tabel 3.9 Perhitungan Panjang Dokumen ... 47

Tabel 5.1 Nama Dokumen ... 75

Tabel 5.2 Pembagian Dokumen 3 Fold ... 76

(18)

xviii

DAFTAR LIST CODE

List Code 4.2.1 Open File ... 54

List Code 4.2.2 Tokenisasi, Menghapus Tanda Baca, Case Folding ... 55

List Code 4.2.3 Stopword ... 56

List Code 4.2.4a Stemming ... 57

List Code 4.2.4b Stemming ... 64

List Code 4.2.5 Preprocessing ... 64

(19)

BAB I

PENDAHULUAN

1.1. Latar Belakang Masalah

Bahasa Jawa merupakan salah satu bahasa daerah di Indonesia yang

sangat sering digunakan. Banyak artikel Bahasa Jawa yang dapat kita

jumpai setiap hari dalam bentuk dokumen digital. Untuk mempermudah

seseorang dalam penemuan informasi dalam artikel Bahasa Jawa yang

dicari dapat dilakukan dengan menggunakan klasifikasi dokumen. Namun,

sebelum diklasifikasikan kita harus melakukan proses pemerolehan

informasi.

Pemerolehan informasi adalah pencarian material (biasanya berupa

dokumen) dari dokumen yang sifatnya tidak terstruktur (biasanya berupa

teks) yang bertujuan untuk memenuhi kebutuhan informasi dari suatu

kumpulan dokumen yang besar (biasanya disimpan di komputer) (Manning,

2008). Proses pemerolehan informasi melalui tahap prepocessing yang meliputi tokenizing yaitu memecah kumpulan kata menjadi token serta penghapusan karakter-karakter yang tidak penting, stopword yaitu penghapusan kata-kata yang tidak mempengaruhi proses pemerolehan

informasi, lalu stemming yaitu proses mengembalikan semua bentuk kata ke bentuk kata dasarnya, kemudian dilakukan perhitungan text frequency. Setelah dilakukan proses pemerolehan informasi akan dilanjutkan dengan

(20)

Klasifikasi dokumen merupakan proses memisahkan sekumpulan

dokumen ke dalam beberapa kelompok atau kelas dengan menilai kemiripan

antar dokumen. Pengelompokan artikel-artikel yang saling berkait ini, akan

membantu pengguna untuk menemukan informasi yang dibutuhkan. Pada

proses ini digunakan metode k-Nearest Neighbor (k-NN). Metode k-Nearest Neighbor (k-NN) mengklasifikasikan dokumen dengan menggunakan hasil dari perhitungan text frequency dengan melihat kemiripan cosine similarity tiap dokumen berdasarkan k (jumlah tetangga terdekat).

1.2. Rumusan Masalah

Berdasarkan latar belakang di atas maka rumusan masalahnya yaitu :

1. Seberapa besar tingkat akurasi metode k-Nearest Neighbor (k-NN) dalam mengklasifikasikan dokumen Bahasa Jawa ?

1.3. Batasan Masalah

Adapun batasan aplikasi klasifikasi dokumen skripsi Teknik

Informatika adalah sebagai berikut :

1. Dokumen yang dapat diproses adalah dokumen teks (*.txt).

2. Data dokumen diambil dari artikel yang berbahasa Jawa.

3. Jenis pengklasifikasian dokumen untuk pengujian dibagi menjadi 4

kategori yaitu ekonomi, politik, kesehatan, dan pendidikan.

(21)

1.4. Tujuan Penelitian

Adapun tujuan penulisan skripsi adalah sebagai berikut:

1. Menemukan tingkat akurasi metode k-Nearest Neighbor (k-NN) dalam mengklasifikasikan dokumen Bahasa Jawa.

2. Mengklasifikasikan dokumen Bahasa Jawa dengan menggunakan metode

k-Nearest Neighbor (k-NN)

1.5. Metodologi Penelitian

Metodologi penelitian yanng digunakan yaitu :

1. Analisis

Melakukan analisis terhadap masalah dan kebutuhan sistem yang akan

dibangun.

2. Perancangan sistem

Melakukan perancangan umum sistem sesuai dengan kebutuhan sistem.

3. Pembuatan Sistem

Berdasarkan hasil analisis dan perancangan sistem, maka tahap selanjutnya

adalah pembuatan sistem.

4. Implementasi dan pengujian

Sistem yang telah dibuat dijalankan, kemudian dilakukan pengujian

terhadap ketepatan sistem klasifikasi dengan menggunakan metode

pemerolehan Informasi dan klasifikasi menggunakan metode k-Nearest Neighbor (k-NN)

(22)

3. Evaluasi dan pengambilan kesimpulan

Menganalisis hasil implementasi sistem dan membuat kesimpulan

terhadap penelitian tugas akhir yang telah dikerjakan.

1.6.Sistematika Penulisan

BAB I PENDAHULUAN

Memberikan gambaran secara umum tentang isi skripsi yang

meliputi: latar belakang, rumusan masalah, batasan masalah, tujuan

dan manfaat, metode penelitian dan sistematika penulisan.

BAB II LANDASAN TEORI

Berisi konsep dasar Pemerolehan Informasi, teknik-teknik dan

metode klasifikasi k-NN

BAB III ANALISA DAN PERANCANGAN

Berisi gambaran umum sistem, metode pengumpulan data, usecase

diagram, sekenario perancangan, analisa peracangan, perancangan

basis data, perancangan tampilan masukan dan keluaran untuk

pengguna.

BAB IV IMPLEMENTASI

Bab ini menjelaskan tentang implementasi ke dalam bentuk

program berdasarkan desain yang telah dibuat, berupa tampilan

(23)

BAB V HASIL DAN PEMBAHASAN

Pada bab ini akan dipaparkan mengenai hasil dan analisa dari hasil

percobaan yang telah dilakukan.

BAB VI KESIMPULAN DAN SARAN

Bab ini berisi semua kesimpulan yang didapatkan dari penelitian

yang telah dilakukan. Kesimpulan menjawab rumusan masalah

(24)

6 BAB II

LANDASAN TEORI

2.1Pemerolehan Informasi

Pemerolehan informasi adalah pencarian material (biasanya berupa

dokumen) dari dokumen yang sifatnya tidak terstruktur (biasanya berupa teks)

yang bertujuan untuk memenuhi kebutuhan informasi dari suatu kumpulan

dokumen yang besar (biasanya disimpan di komputer) (Manning, 2008).

Pemerolehan informasi berhubungan dengan representasi, media penyimpanan,

pengaksesan, dan pengorganisasian sesuatu yang memiliki informasi.

Pemerolehan informasi digunakan untuk mengurangi jumlah informasi

yang terlalu besar sehingga di dalam pencarian informasi akan menjadi lebih

efektif dan memberikan hasil pencarian dokumen yang relavan dengan query.

Query berupa kata kunci yang diberikan oleh pengguna kepada sistem sebagai acuan untuk mendapatkan informasi yang relevan terhadap kebutuhan pada query.

Query yang dimasukkan ke dalam sistem akan diolah dengan menggunakan metode yang diterapkan dalam sistem pemerolehan informasi untuk kemudian

ditampilkan berdasarkan urutan nilai relevansi yang paling tinggi. Untuk lebih

mempermudah lagi maka data yang didapatkan diklasifikasi.

Fungsi utama pemerolehan informasi sistem adalah

1. Mengidentifikasi sumber informasi yang relefan dengan minat masyarakat

(25)

2. Menganalisis isi sumber informasi (dokumen).

3. Merepresentasikan isi sumber informasi dengan cara tertentu yang

memungkinkan untuk dipertemukan dengan pertanyaan (query) pengguna. 4. Merepresentasikan pertanyaan (query) pengguna dengan cara tertentu

yang memungkinkan untuk dipertemukan sumber informasi yang terdapat

dalam basis data.

5. Mempertemukan pernyataan pencarian dengan data yang tersimpan dalam

basisdata.

6. Menemu-kembalikan informasi yang relevan.

7. Menyempurnakan unjuk kerja sistem berdasarkan umpan balik yang diberikan oleh pengguna.

2.2 Proses Preprocessing Teks Dokumen

Fungsi preprocessing pada program ini adalah untuk mendapatkan kata kunci yang nantinya akan digunakan sebagai pencocokan string atau perbandingan dokumen. Proses-proses yang dilakukan pada proses ini adalah

membaca dokumen, tokenisasi, stopword, stemming, text frequency.

2.2.1. Tokenisasi

Menurut Manning, 2008, tokenisasi adalah proses memotong kalimat

menjadi potongan-potongan kata, yang disebut token, dan pada saat yang

(26)

Tokenisasi adalah tugas memisahkan deretan kata di dalam kalimat,

paragraf atau halaman menjadi token atau potongan kata tunggal. Tahapan ini

juga menghilangkan karakter-karakter tertentu seperti tanda baca dan

mengubah semua token ke bentuk huruf kecil (lower case).

2.2.2. Stopword

Stopword adalah kata yang sangat umum yang akan muncul menjadi nilai yang kecil dalam membantu dokumen pilih yang cocok dengan

kebutuhan pengguna dikecualikan dari kosakata seluruhnya (Manning,

2008).

Pada proses stopword dilakukan penghapusan kata-kata yang tidak mempengaruhi proses pemerolehan informasi. Stopword adalah kata umum yang biasanya muncul dalam jumlah besar dan dianggap tidak memiliki

makna. Pada penerapan program ini daftar kata-kata yang digolongkan

sebagai stopword disimpan pada dokumen stoplist.txt. Kata-kata hasil

tokenizing kemudian dicocokkan dengan tabel stopword dalam dokuemn, jika ternyata kata yang diperiksa sama dengan stopword maka kata hasil

tokenizing dihapus. Dan kata yang diperiksa tidak ada di dalam dokumen maka kata tersebut dijadikan kata penting dan kemudian dilakukan proses

(27)

2.2.3. Stemming

Proses ini adalah proses mengembalikan semua bentukan kata

menjadi bentuk kata dasarnya dengan menghilangkan semua imbuhan baik

yang terdiri dari awalan(perfixes), sisipan(infixes), akhiran(surfixes) dan

confixes (kombinasi dari awalan dan akhiran) pada kata turunan.

Sebelum membuat aturan stemming untuk bahasa Jawa, diuraikan terlebih dahulu penggunaan simbol-simbol dalam membuat stemmer rule.

(Joko, Sri Hartati, Mirna Adriani, JB. Budi Darmawan, Studi Pengaruh

Stemming dalam Bahasa Jawa. Penelitian Mibah Pekerti DIKTI, 2011).

1. Aturan substitusi/penghapusan menggunakan tanda =>. ny =>”” (ny dihapus)

ny => s (ny diganti s)

2. Simbol <> digunakan untuk menyatakan tingkat affix yang mempengaruhi urutan pengecekan di algoritma stemming.

Aturan yang digunakan adalah sebagai berikut :

SUFFIX

<1> e=>"",n=>"",a=>"",i=>"",ing=>"", ku=>"",mu=>""

<2> ke=>"", ki=>"",wa=>"",

ya=>"",na=>"",ne=>"",en=>"",an=>"",ni=>"",nira=>"", ipun=>"", on=>"u", ning=>""

<3> ake=>"", en=>"i", kna=>"n", kno=>"n", ana=>"", ono=>"", ane=>"", kne=>"", nan=>"", yan=>"", nipun=>"", oni=>"u", eni=>"i"

<4> kake=>"n", ken=>"" ,kke=>"",nana=>"",nono=>"", nane=>"", nen=>"",kna=>"",kno=>"", ekne=>"i", onan=>"u",enan=>"i"

(28)

<5> kake=>"",kken=>"",aken=>"",kke=>"n",enana=>"i",enono=>"i",on en=>"u",enen=>"i",onana=>"u",onono=>"u",

ekna=>"i",ekno=>"i",okno=>"u",okna=>"u"

<6> ekken=>"i",kaken=>"n",okken=>"u",ekake=>"i",ekke=>"i",okake= >"u",okke=>"u", kaken=>"", kken=>"n"

<7> ekaken=>"i",okaken=>"u"

PREFIX

<1> dipun=>"",peng=>"",peny=>"",pem=>"",pam=>"",pany=>"",pra=>" ",kuma=>"",kapi=>"",

bok=>"",mbok=>"",dak=>"",tak=>"",kok=>"",tok=>"",ing=>"",ang =>"",any=>"", am=>"", sak=>"",

se=>"",su=>"",mang=>"",meng=>"",nge=>"",nya=>"",pi=>"",ge=>" ",ke=>"",u=>"",

po=>"u",ke=>"u"

<2> mer=>"",mra=>"",mi=>"",sa=>"",ku=>"",an=>"",ka=>"",ny=>"s",n g=>"k",di=>"",peng=>"k",pang=>"k",pany=>"c",

pam=>"p",ke=>"i",mang=>"k",meng=>"k"

<3> a=>"",k=>"",pam=>"w",pan=>"t",

pen=>"t",mang=>"w",meng=>"w", ny=>"c",ng=>""

<4> n=>"t", pan=>"s", pen=>"s",man=>"s",men=>"s"

<5> pan=>"",pen=>"",man=>"t",men=>"t",n=>""

(29)

<7> p=>"",ma=>"",me=>""

<8> m=>"w"

<9> m=>"p"

<10> m=>""

INFIX

<1> gum=>"b",gem=>"b",kum=>"p",kem=>"p"

<2> kum=>"w", kem=>”w”

Algoritma untuk melakukan proses stemming terhadap kata tunggal atau duplikasi.

1. Kata berimbuhan adalah word. Kata sebagai hasil adalah stemW

2. Cek jumlah karakter word, jika < 2. Keluar.

3. Jika word mengandung “-“, maka pecah kata berdasar “-“ menjadi w1 dan w2. Dan lakukan langkah 4-13

4. w11 = w1 tanpa vokal dan w21 = w2 tanpa vokal.

5. Jika w11 = w21 dan panjang w1=w2 maka lakukan langkah 6-8

6. Jika w2 ada di kamus maka stemW=w2 dan keluar.

7. Jika w2 tidak ada di kamus, w22= hilangkan imbuhan(w2).

8. Jika w22 ada di kamus maka stemW=w22, jika tidak

(30)

9. Jika w11 != w21, lakukan langkah 10-13

10.ws11=hilangkan imbuhan(w1) dan ws21 = hilangkan

imbuhan(w2).

11.Cek ws21 di kamus, jika ada maka stemW=ws21 dan

keluar.

12.Cek ws11 di kamus, jika ada maka stemW=ws11 dan

keluar.

13.Jika tidak maka stemW=ws11-ws21 dan keluar.

14.stemW = hilangkan imbuhan(stemW). Cek stemW di dictionary. Jika

ada stemW dikembalikan dan keluar.

Algoritma untuk menghilangkan afiks pada kata berimbuhan.

1. Kata yang akan dihilangkan imbuhan adalah word.

2. ws1=hapus suffix (word). Cek di dictionary. Jika ada kembalikan kata.

3. ws1s2=hapus suffix (ws1). Cek di dictionary. Jika ada kembalikan

kata.

4. ws1i1=hapus infix (ws1). Cek di dictionary. Jika ada kembalikan kata.

5. dws1= pengulangan parsial (ws1). Cek di dictionary. Jika ada

kembalikan kata.

6. dws1s2= pengulangan parsial (ws1s2). Cek di dictionary. Jika ada

kembalikan kata.

(31)

8. dwp1= pengulangan parsial (wp1). Cek di dictionary. Jika ada

kembalikan kata.

9. wp1s1=hapus suffix(wp1). Cek di dictionary. Jika ada kembalikan

kata.

10.dwp1s1= pengulangan parsial (wp1s1). Cek di dictionary. Jika ada

kembalikan kata.

11.wp1s1s2=hapus suffix (wp1s1). Cek di dictionary. Jika ada kembalikan

kata.

12.wp1p2=hapus prefix (wp1). Cek di dictionary. Jika ada kembalikan

kata.

13.wp1p2s1=hapus suffix (wp1p2). Cek di dictionary. Jika ada

kembalikan kata.

14.wp1p2s1s2=hapus suffix (wp1p2s1). Cek di dictionary. Jika ada

kembalikan kata.

15.wi1=hapus infix (word). Cek di dictionary. Jika ada kembalikan kata.

16.wi1s1=hapus suffix (wi1). Cek di dictionary. Jika ada kembalikan kata.

2.2.4. Text Frequency

Semakin banyak kata yang mirip atau sama antara dua dokumen

maka semakin dekat kedua dokumen tersebut dan akan memiliki bobot atau

nilai yang lebih tinggi. (Manning, 2008). Sehingga diperlukan pemberian

bobot untuk setiap token dalam dokumen tergantung pada jumlah

(32)

adalah dengan memberikan bobot yang nilainya sama dengan jumlah

kemunculan token t dalam dokumen d. Pembobotan ini disebut term ferquency dan disimbolkan dengan tft,d.

Namun, dalam sistem yang akan dibangun oleh penulis,

menggunakan teknik TF/IDF (term frequency/ Inverse document frequency). Term frequency adalah jumlah kemunculan suatu kata dalam sebuah dokumen, sedangkan inverse document frequency adalah inverse dari banyaknya dokumen dimana suatu term tersebut muncul.

Rumus pembobotan Salton (1983) adalah sebagai berikut:

w(t,d) = tft,d * idft = tf(t,d )* log(N/nt) (1)

Keterangan :

1. w(t,d) = bobot dari term(kata) t dalam dokumen d.

2. tf(t,d) = frekuensi kemunculan term(kata) t dalam dokumen d. 3. Idfd = Inverse document frequency dari kata t

4. N = jumlah seluruh dokumen

5. nt = jumlah dari dokumen yang ditraining yang mengandung nilai t. digunakan dalam referensi yang dijadikan acuan dalam pembuatan

Sistem klasifikasi yaitu nilai perbandingan antara jumlah

kemunculan suatu kata dalam dokumen dibagi dengan jumlah keseluruhan

kata yang ada dalam dokumen tersebut, sehingga jumlah dari semua tf dari

(33)

Dokumen Frequency (idf) atau kombinasi dari tf-idf juga dapat digunakan. Namun dalam klasifikasi teks, tf-idf tidak selalu efektif.

2.3. Klasifikasi Teks

Han dan Kamber (2006) mengatakan bahwa klasifikasi merupakan

proses menemukan model atau fungsi yanng menjelaskan dan membedakan

kelas-kelas data fungsi tersebut digunakan untuk memperkirakan kelas dari

suatu objek yang labelnya tidak diketahui Proses klasifikasi ini terbagi

menjadi dua tahapan, yaitu tahap pelatihan (learning) dan tahap uji. Pada tahap pelatihan, sebagian data yang telah diketahui kelas datanya

diumpankan untuk membentuk model prediksi.

2.4. Metode k-Nearest Neighbor

Mertode k-Nearest Neighbor atau k-NN merupakan salah satu metode yang digunakan dalam sistem klasifikasi yang menggunakan

pendekatan Machine Leraning. Machine Learning merupakan proses yang membangun sistem klasifikasi melalui pembelajaran dari sejumlah contoh

yang sudah diklasifikasikan sebelumnya (Feldman & Sanger, 2007).

Menurut Han dan Kamber (2006), metode k-NN bersifat lazy learners di mana proses pembelajarannya menunggu hingga menit terakhir sebelum model dibangun dibutuhkan untuk mengklasifikasi data uji.

Berbeda dengan eager leaners yang akan melakukan generalisasi pada kata pelatihan sebelum menerima data uji. Lazy learners akan menyimpan data pelatihan dan menunggu hingga diberikan data uji sehingga metode ini akan

(34)

bekerja lebih sedikit ketika diberikan data pelatihan dan bekerja lebih

banyak ketika diberikan data uji, dibandingkan dengan eager learners. Lazy learners disebut juga instance-based learners karena menyimpan data pelatihan atau instances.

Agoritma metode k-NN

1. Tentukan parameter k= jumlah dokumen tetangga.

2. Hitung kemiripan antara dokumen baru dan dokumen pelatihan dengan

menggunakan rumus cosine similarity

(2)

Keterangan :

Q : dokumen uji

Di : dokumen pelatihan

WQj : bobot token j dalam dokumen uji Q

Wij : bobot token j dalam dokumen pelatihan ke-i

Sim(Q,Di) : nilai kesamaan antara dokumen uji Q dan dokumen

pelatihan ke-i

3. Urutkan nilai kesamaan dan tentukan tetangga terdekat berdasarkan

jarak terbesar, banyak tetangga terdekat diambil dari parameter k.

(35)

5. Gunakan mayoritas sederhana dari kategori dokumen tetangga sebagai

nilai prediksi dokumen tes.

2.5. Perhitungan Akurasi

Perhitungan akurasi dilakukan dengan menggunakan metode cross-validation. Pada metode cross-validation, data dibagi menjadi k subset atau

fold yang saling bebas secara acak, yaitu S1, S2, …., Sk, dengan ukuran setiap subset sama. Pelatihan dan pengujian dilakukan sebanyak k kali. Pada iterasi ke-i, subset S1 diperlakukan sebagai data pengujian, dan subset

lainnya sebagai data pelatihan. Tingkat akurasi dihitung dengan membagi

jumlah keseluruhan klasifikasi yang benar dengan jumlah semua instance

pada data awal (Han & Kamber 2006).

Tahap I

i. fold 1 sebagai data uji ii. fold 2 sebagai data pelatihan iii. fold 3 sebagai data pelatihan Tahap II

i. fold 2 sebagai data uji ii. fold 1 sebagai data pelatihan iii. fold 3 sebagai data pelatihan

(36)

Tahap III

i. fold 3 sebagai data uji ii. fold 1 sebagai data pelatihan iii. fold 2 sebagai data pelatihan

Setelah dilakukan cross validation maka digunakan precision untuk menentukan akurasi. Yaitu dengan cara :

(37)

19 BAB III

ANALISIS DAN PERANCANGAN SISTEM

3.1Gambaran Umum Sistem

Sistem ini dibuat untuk mempermudah pencarian dokumen bahasa

Jawa dengan mengklasifikasikan dokumen berita bahasa Jawa menggunakan

proses information retrieval. Sistem terdiri atas 3 proses utama yaitu proses input, preprocessing yang terdiri dari proses tokenizing, stopword, stemming, dan text frequency, dan proses klasifikasi dokumen. Berikut ini adalah gambaran klasifikasi dokumen secara umum :

Input Teks

Menghitung TF

IDF KNN

stemming stopword

Tokenisa si

Hasil klasifikasi

preprocessing

Gambar 3.1 Gambaran Umum Sistem

Proses utama dalam sistem ini yaitu proses preprocessing dan

klasifikasi. Hasil akhir dari proses preprocessing yang berupa bobot kata disimpan dalam database kemudian digunakan untuk melakukan klasifikasi menggunakan metode k-Nearest Neighbor.

Lebih jelasnya proses dibagi menjadi beberapa bagian sebagai berikut

(38)

3.1.1 Proses Input Data

Data yang diinputkan untuk klasifikasi ini adalah dokumen

Bahasa Jawa dengan file berekstensi *.txt yang membahas beberapa

topik yang berbeda yang kemudian topik tersebut dijadikan sebagai

acuan dalam pengklasifikasian. Dokumen yang digunakan pada

klasifikasi ini dibagi menjadi dua bagian, yaitu dokumen yang berfungsi

sebagai data pelatihan dan dokumen yang berfungsi sebagai data uji yang

akan digunakan sebagai uji coba terhadap data pelatihan. Dokumen yang

digunakan sebagai data tes ini belum diketahui kelasnya.

3.1.2 Preprocessing Dokumen

Pada tahap preprocessing ini akan dilakukan tahapan seperti berikut :

a) Tokenisasi

Pada tahap ini, memecah kumpulan kata menjadi token dan

penghapusan karakter-karakter yang tidak penting.

b) Stopword

Penghapusan kata yang tidak mempengaruhi sistem

pemerolehan informasi

c) Stemming

Proses mengembalikan semua bentuk kata ke bentuk kata

dasarnya.

(39)

Pada proses ini dilakukan perhitungan bobot setiap kata yang

telah melalui proses preproses.

3.1.3 Proses Klasifikasi

Pada proses klasifikasi ini dokumen yang telah diproses hingga

tahap perhitungan text frequency akan diklasifikasikan berdasarkan kelas yang telah ditentukan. Proses klasifikasi ini menggunakan metode k-Nearest Neighbor (k-NN) sebagai berikut :

a. Menetukan K

Pada proses ini, user memasukkan nilai k, yaitu jumlah dokumen tetangga terdekat. Sebagai contoh k=3, berarti akan diambil 3 dokumen

yang memiliki jarak terdekat dengan dokumen testing. b. Perhitungan Cosine Similarity

Hitung kemiripan vektor [dokumen] query Q dengan setiap dokumen yang ada. Kemiripan antar dokumen dapat menggunakan cosine similarity. Rumusnya adalah sebagai berikut:

(40)

c. Pengurutan kemiripan Vektor

Urutkan hasil perhitungan kemiripan vektor dari hasil perhitungan

cosine similarity.

d. Mencari label mayoritas dengan menggunakan acuan k yang telah

ditentukan untuk menentukan hasil kasifikasi dengan melihat jumlah

kelas yang terbanyak diperoleh diantara k dokumen yang terdekat,

dilakukan prediksi untuk mengetahui kelas dari dokumen tes tersebut,

dengan melihat jumlah kelas yang terbanyak diperoleh diantara k

dokumen yang terdekat.

3.1.4 Keluaran

Sistem ini akan menghasilkan keluaran berupa klasifikasi

dokumen dengan K-Nearest Neighbor.

3.2Analisa Kebutuhan Sistem

3.2.1 Definisi Aktor

Aktor yang terlibat dalam sistem adalah user. User merupakan aktor yang dapat mengakses dan mengelolah semua kebutuhan sistem. Hak

akses User dapat dilihat di bawah ini :

Aktor Hak Akses

User - Preprocessing

(41)

3.2.2 Diagram Use Case

Gambaran use case diagram sistem dapat dilihat pada gambar berikut ini

Klasifikasi Dokumen Preprocessing

pengguna

Gambar 3.2 Diagram Use Case

3.2.3 Skenario Use case

3.2.3.1 Skenario Use Case Preprocessing Dokumen

Nama use case Preprocessing dokumen

Id Use Case 1

Prioritas High

Pelaku Pengguna

Deskripsi Pengguna melakukan preprocessing dokumen

Pra kondisi Dokumen yang diklasifikasikan telah melalui proses preprocessing

Aksi Aktor Reaksi Sistem 1. User berada pada halaman

utama

2. User memilih Menu Preprosesing

3. Sistem menampilkan halaman “Preprosesing”

4. User menekan tombol ambil data dokumen

5. Sistem menampikan halaman

browse 6. User memilih folder yang akan

(42)

di- Preprocessing

7. Sistem menampilkan alamat direktori .

8. User menekan tombol Mulai 9. Sistem akan menyimpan data hasil Preprocessing pada folder testing

3.2.3.2Skenario Use Case Klasifikasi Dokumen

Nama use case Klasifikasi dokumen Id Use Case 2

Prioritas High Pelaku Pengguna

Deskripsi Pengguna melakukan klasifikasi dokumen

Pra kondisi Dokumen yang diklasifikasikan telah melalui proses preprocessing

Aksi Aktor Reaksi Sistem 1. User berada pada halaman

MainFrame

2. User memilih Menu Klasifikasi Dokumen

3. User menekan tombol ambil dokumen

4. Sistem menampilkan halaman “browse”

5. User memilih dokumen yang akan diklasifikasi dan memasukkan nilai k kemudian menekan tombol klasifikasi

6. Sistem menampilkan hasil klasifikasi

(43)

3.2.4 Definisi Use Case

Tabel di bawah ini menjelaskan secara umum use case yang terdapat pada sistem klasifikasi dokumen/artikel Bahasa Jawa.

Tabel 3.1 Deskripsi Use Case

3.3Perancangan Model Penyimpanan Data

Media penyimpanan data yang dikelola oleh sistem adalah berupa file

plain text yang disimpan dengan ekstensi .txt. Setiap satu file mewakili satu surat. File – file tersebut kemudian disimpan dalam folder yang mewakili masing – masing kategori. Penjabaran folder dan file yang digunakan oleh sistem:

1. Preprocessing

Menyimpan file hasil preprocessing yang dilakukan oleh pengguna melalui sistem.

2. stopwords.txt

File yang berisi stopwords.

Contoh : aku, ada, ahh, aja, ana, apa.

No. Use Case Deskripsi Use Case

1. Klasifikasi dokumen

Use case ini menggambarkan proses klasifikasi dokumen baru. Dokumen inputan akan ditentukan kategorinya secara otomatis.

2. Preprocessing

Use case ini menggambarkan proses

preprocessing mulai dari tokenisasi sampai hasil stemming

(44)

3. kamus.txt

File yang berisi kumpulan kata dasar yang ada dalam kamus bahasa Jawa.

Contoh : abab, abad, abang, abdi, abnormal, abot, absen, ada, adang, adat.

4. stemWord2.pl

File yang berisi metode stemming. Contoh :

Lapangan  _an  lapang

pakaryane  “_ne” pakarya“pa_ “ karya  karya

5. Tanda baca.txt

File berisi tanda baca yang dihapus.

Contoh :

3.4Diagram Konteks

USER Sistem Klasifikasi

Dokumen Bahasa Jawa Klasifikasi dokumen

info hasil klasifikasi

(45)

3.5Diagram Aktifitas

3.5.1 Diagram Aktifitas Preprocessing Dokumen

Pengguna akan melakukan preprocessing dokumen. Diagram aktivitas

preprocessing dokumen seperti pada gambar di bawah ini.

Menampilkan halaman Preprosesing Klik Ambil Dokumen

Klik Mulai

Memproses dokumen

Menampilkan pesan bahwa preprosesing dokumen selesai

Aktor Sistem

Menampilkan nama dokumen yang akan dipreprosesing Klik OK

(46)

3.5.2 Diagram Aktifitas Klasifikasi Dokumen

Pengguna akan melakukan klasifikasi dokumen. Diagram aktivitas

preprocessing dokumen seperti pada gambar di bawah ini.

Menampilkan halaman Klasifikasi Klik Ambil Dokumen

Isi nilai k

Memproses dokumen

Menampilkan hasil klasifikasi dokumen

Aktor Sistem

Menampilkan nama dokumen yang akan diklasifikasi pada tabel

Klasifikasi

(47)

3.6Diagram Sekuensial

3.6.1 Diagram Sekuensial Prerocessing Dokumen

Aktor

View Preprosesing

Dokumen baru

openFile(String path, String fileName)

text()

ProsesData

filterTandaBaca(String doc)

doc

tokenisasi(String doc)

doc

caseFolding(String doc)

kataPenting stopWord(String doc)

stemDoc(String doc)

line

doc sorting(String doc)

save(String doc, String filePath, String fileName)

doc Dokumen hasil

preprosesing

Tanda baca.txt

doc

openFile(String path, String

fileName)

doc

Stoplist.txt

openFile(String path, String

fileName) doc

StemWord.pl

stem(String word)

hasil

(48)

3.6.2 Diagram Sekuensial Klasifikasi Dokumen

Aktor

View Klasifikasi

Dokumen testing

Train

Nilai k

testTrain(String path, String test)

ProsesData

static String[] listFile(String dir)

daftar;

sorting(String doc)

result

hapusDuplikasiKata(String doc)

hasil + kata[kata.length - 1] + "\n"; listTerm(String Dok)

listTerm Hasil klasifikasi dokumen

Gambar 3.7 Diagram Sekuensial Klasifikasi Dokumen

3.7Langkah Pengerjaan Klasifikasi Dokumen

Diketahui ada terdapat 4 dokumen sample data training dan 1 sample

data testing. Data training untuk pendidikan yaitu pendidikan(1) dan pendidikan(2). Data training untuk kesehatan yaitu dokumen kesehatan(1) dan kesehatan (2). Data testing yaitu Test. Akan dicari kelas dari data testing, apakah temasuk dalam kategori pendidikan atau kesehatan dengan

(49)

Tabel 3.2 Contoh Data Training dan Testing

Nama

Dokumen

Isi Dokumen

pendidikan

(1)

Guru Basa Jawa ing jaman saiki gunggunge ora akeh, sebab jurusan

basa Jawa iki dianggep angel lan ora nguntungake. Kejaba iku

dianggep ciut lapangan pakaryane, angel kanggo golek pangupa

jiwa. Lan isih akeh maneh panganggep remeh liyane, nanging apa

iya pancen asor banget ta basa Jawa kuwi? Dra. Warih Jatirahayu

nyoba njawab tantangan mau. Kabukten, ketekunane nggeluti basa

Jawa, ndadekake kariere muluk ndedel tansaya dhuwur.

pendidikan

(2)

Kanggo biyantu ningkatake kualitas pendhidhikan ing Kabupaten

Sleman, durung suwe iki kadhapuk pengurus Dewan Pendhidhikan

Kabupaten (DPK) Sleman. Kanthi anane DPK kasebut kaangkah

masarakat ing Kabupaten Sleman bisa menehi sumbangan awujud

saran, kritik lan liya-liyane kang tujuane kanggo ningkatake mutune

pendhidhikan ing Kabupaten Sleman.

kesehatan

(1)

Kanker mono mujudake momok mungguhing sok sapaa wae. Ora

sethithik pawongan kang koncatan nyawa karana lelara kanker kang

disandhang. Ora mokal menawa lelara mau kuwawa gawe giris,

luwih-luwih tumrap pawongan panandhang lelara mau kang nate

dioperasi nanging gagal

kesehatan

(2)

Ditambahake Gogok menawa Hikata Reiki tetela nduweni sipat

(50)

Reiki kejaba nduweni getaran energi sing dhuwur lan kuwat uga

bisa kanggo ngaWekani sawernaning jinis penyakit kanthi cepet.

Test

Jaman saiki "pendidikan" wus dudu bab sing aneh, nanging dadi

barang sing larang regane dhuwur pangajine. Mung wae mutune

durung mesthi. Kurikulum ing sekolah, mligine ing tingkat Sekolah

Dasar wulangan Basa Jawa babagan aksara jawa durung selaras

karo cak-cakane utawa prakteke. Awit ing "lapangan" wulangan

mligine bab aksara Jawa durung laras karo kurikulume.

Dalam pengerjaan dilakukan dalam dua tahap yaitu tahap preprocessing dan klasifikasi.

3.7.1 Preprocessing

Langkah pertama yaitu Preprocessing terhadap semua (terdapat 5) dokumen yang terlibat. D

3.7.1.1 Tokenisasi

Tokenisasi adalah tugas memisahkan deretan kata di dalam

kalimat, paragraf atau halaman menjadi token atau potongan kata tunggal.

Tahapan ini juga menghilangkan karakter-karakter tertentu seperti tanda

(51)

Gambar 3.8 Contoh Proses Tokenisasi

Hasil dari proses tokenisasi di atas adalah :

Tabel 3.3 Tabel Hasil Tokenisasi

kesehatan (1) kesehatan (2) pendidikan(1) pendidikan(2) test

kanker ditambahake Guru kanggo jaman

mono gogok Basa biyantu saiki

mujudake menawa Jawa ningkatake pendidikan

momok hikata Ing kualitas wus

mungguhing reiki Jaman pendhidhikan dudu

sok tetela Saiki ing bab

sapaa nduweni Gunggunge kabupaten sing

wae sipat Ora sleman aneh

ora regeneratif akeh durung nanging

sethithik sing sebab suwe dadi

pawongan cepet jurusan iki barang

kang marang basa kadhapuk sing

koncatan organ jawa pengurus larang

nyawa syaraf iki dewan regane

karana awak dianggep pendhidhikan dhuwur

lelara sing angel kabupaten pangajine

kanker rusak lan dpk mung

kang hikata ora sleman wae

disandhang reiki nguntungake kanthi mutune

ora kejaba kejaba anane durung

mokal nduweni iku dpk mesthi

menawa getaran dianggep kasebut kurikulum

lelara energi ciut kaangkah ing

mau sing lapangan masarakat sekolah

kuwawa dhuwur pakaryane ing mligine

Dokumen

Kanker mono mujudake momok mungguhing sok sapaa

Token kanker mono mujudake momok mungguhing sok

(52)

gawe lan angel kabupaten ing

giris kuwat kanggo sleman tingkat

luwih uga golek bisa sekolah

luwih bisa pangupa menehi dasar

tumrap kanggo jiwa sumbangan wulangan

pawongan ngawekani lan awujud basa

panandhang sawernaning isih saran jawa

lelara jinis akeh kritik babagan

mau penyakit maneh lan aksara

kang kanthi panganggep liya jawa

nate cepet remeh liyane durung

dioperasi liyane kang selaras

nanging nanging tujuane karo

gagal apa kanggo cak

iya ningkatake cakane

pancen mutune utawa

asor pendhidhikan prakteke

banget ing awit

ta kabupaten ing

basa sleman lapangan

jawa wulangan

kuwi mligine

dra bab

warih aksara

jatirahayu jawa

nyoba durung

njawab laras

tantangan karo

mau kurikulume

kabukten

ketekunane

nggeluti

basa

jawa

ndadekake

kariere

muluk

ndedel

tansaya

dhuwur

(53)

3.7.1.3Stopword

Penghapusan kata yang umum atau tidak mempengaruhi proses

pemerolehan informasi.

Gambar 3.9 Contoh Proses Stopword

Tabel 3.4 Tabel Hasil Stopword

kesehatan (1) kesehatan (2) pendidikan(1) pendidikan(2) test

Kanker Gogok guru ningkatake jaman

Mono Hikata basa kualitas pendidikan

mujudake Reiki jaman pendhidhikan barang

momok Nduweni gunggunge kabupaten larang

mungguhing Sipat jurusan sleman regane

Sapaa regeneratif basa kadhapuk pangajine

sethithik Cepet dianggep pengurus mutune

pawongan Organ nguntungake dewan kurikulum

koncatan Syaraf dianggep pendhidhikan sekolah

nyawa Rusak ciut kabupaten mligine

karana Hikata lapangan dpk tingkat

Lelara Reiki pakaryane sleman sekolah

kanker Nduweni golek dpk dasar

disandhang Getaran pangupa kasebut wulangan

mokal Energi jiwa kaangkah basa

Lelara Kuwat panganggep masarakat babagan

kuwawa ngawekani remeh kabupaten aksara

Giris sawernaning asor sleman selaras

tumrap Jinis basa menehi lapangan

pawongan Penyakit dra sumbangan wulangan

Dokumen

Kanker mono mujudake momok mungguhing sok sapaa wae

Token kanker mono mujudake momok mungguhing sok sapaa wae StopList sok wae Hasil Stopword kanker mono mujudake momok mungguhing sapaa

(54)

panandhang Cepet warih awujud mligine

Lelara jatirahayu saran aksara

dioperasi nyoba kritik laras

Gagal njawab tujuane kurikulume

tantangan ningkatake

kabukten mutune

ketekunane pendhidhikan

nggeluti kabupaten

basa sleman

ndadekake

kariere

muluk

ndedel

tansaya

3.7.1.4Proses Stemming

Proses ini adalah proses mengembalikan semua bentukan kata menjadi bentuk

kata dasarnya dengan menghilangkan semua imbuhan baik yang terdiri dari

awalan(perfixes), sisipan(infixes), akhiran(surfixes) dan confixes (kombinasi dari awalan dan akhiran) pada kata turunan.

Tabel 3.5 Tabel Hasil Stemming

kesehatan (1) kesehatan (2)

Kanker kanker Gogok gogok

Mono mono Hikata hikata

Mujudake _ake m=w wujud Reiki reiki

Momok momok Nduweni nduweni

Mungguhing _ing mungguh Sipat sipat

Sapaa _a sapa Regeneratif regeneratif

Sethithik se_ thithik Cepet cepet

Pawongan _an pawong Organ organ

Koncatan koncatan Syaraf syaraf

Nyawa nyawa Rusak rusak

Karana ka_ karan Hikata hikata

Lelara le_ lara Reiki reiki

(55)

Disandhang di_ sandhang Getaran _an getar

Mokal mokal Energi energi

Lelara le_ lara Kuwat kuwat

Kuwawa kuwawa Ngawekani ngawekani

Giris giris Sawernaning ning_ sa_ werna

Tumrap tumrap Jinis jinis

Pawongan _an pawong Penyakit penyakit

Panandhang pan=t tandhang Cepet cepet

Lelara le_ lara

Dioperasi di_ operasi

Gagal gagal

pendidikan (1) Test

guru guru jaman jaman

basa basa pendidikan pendidikan

jaman jaman barang barang

gunggunge _e gunggung gunggung larang larang

jurusan _an jurus jurus regane _ne Rega rega

basa basa pangajine _ne pang = k kaji

dianggep di_ anggep anggep mutune _e mutu

nguntungake _ake ng_ untung kurikulum kurikulum

dianggep di_ anggep anggep sekolah sekolah

ciut ciut mligine _ne m_ ligi

lapangan _an lapang lapang tingkat tingkat

pakaryane _ne pa_ karya sekolah sekolah

golek golek dasar dasar

pangupa pangupa wulangan _an wulang

jiwa jiwa basa basa

panganggep pang_ anggep babagan _an babag

remeh remeh aksara aksara

asor asor selaras selaras

basa basa lapangan _an lapang

dra Dra dra wulangan _an wulang

warih warih mligine _ne m_ ligi

jatirahayu jatirahayu aksara aksara

nyoba ny= c coba laras laras

njawab n_ jawab kurikulume _e kurikulum

tantangan _an tantang

(56)

ketekunane _ane ke_ tekun

nggeluti nggeluti

basa basa

ndadekake _ekake = i n_ dadi

kariere _e karier

muluk muluk

ndedel n_ dedel

tansaya tansaya

pendidikan (2)

Ningkatake _ake ning_ Kat

Kualitas kualitas

Pendhidhikan _kan pen_ dhidhik

Kabupaten kabupaten

Sleman sleman

Kadhapuk ka_ Dhapuk

Pengurus peng_ Urus

Dewan Dewan

Pendhidhikan _kan pen_ Dhidhik

Kabupaten Kabupaten

Dpk dpk Dpk

Sleman Sleman

Dpk dpk Dpk

Kasebut ka_ Sebut

Kaangkah ka_ Angkah

Masarakat Masarakat

Kabupaten Kabupaten

Sleman Sleman

Menehi _i Meneh

Sumbangan _an Sumbang

Awujud a_ Wujud

Saran Saran

Kritik Kritik

Tujuane _e Tujuan

Ningkatake _ake Ning Kat

Mutune _ne Mutu

Pendhidhikan _kan pen_ Dhidhik

(57)

Sleman Sleman

3.7.2 Proses Klasifikasi

3.7.2.1Perhitungan idf

Tabel 3.6 Perhitungan idf

term kesehata n(1) kesehata n(2) pendidi kan (1) pendidi kan (2) test

d f idf

Aksara 0 0 0 0 2 1 0,69897 Anggep 0 0 3 0 0 1 0,69897 Angkah 0 0 0 1 0 1 0,69897 Asor 0 0 1 0 0 1 0,69897 Babag 0 0 0 0 1 1 0,69897 Barang 0 0 0 0 1 1 0,69897 Basa 0 0 4 0 1 2 0,39794 Cakane 0 0 0 0 1 1 0,69897 Cepet 0 2 0 0 0 1 0,69897 Ciut 0 0 1 0 0 1 0,69897 Coba 0 0 1 0 0 1 0,69897 Dadi 0 0 1 0 0 1 0,69897 Dasar 0 0 0 0 1 1 0,69897 Dedel 0 0 1 0 0 1 0,69897 Dewan 0 0 0 1 0 1 0,69897 dhapuk 0 0 0 1 0 1 0,69897 dhidhik 0 0 0 3 0 1 0,69897 Dpk 0 0 0 2 0 1 0,69897 dra 0 0 1 0 0 1 0,69897 Energi 0 1 0 0 0 1 0,69897 Gagal 1 0 0 0 0 1 0,69897 Getar 0 1 0 0 0 1 0,69897 Giris 1 0 0 0 0 1 0,69897 Gogok 0 1 0 0 0 1 0,69897 Golek 0 0 1 0 0 1 0,69897 gunggung 0 0 1 0 0 1 0,69897 Guru 0 0 1 0 0 1 0,69897 Hikata 0 2 0 0 0 1 0,69897 Jaman 0 0 1 0 1 2 0,39794 jatirahayu 0 0 1 0 0 1 0,69897 Jawab 0 0 1 0 0 1 0,69897

(58)

Jinis 0 1 0 0 0 1 0,69897 jiwa 0 0 1 0 0 1 0,69897 Jurus 0 0 1 0 0 1 0,69897 kabukten 0 0 1 0 0 1 0,69897 kabupaten 0 0 0 4 0 1 0,69897 Kaji 0 0 0 0 1 1 0,69897 Kanker 2 0 0 0 0 1 0,69897 Karan 1 0 0 0 0 1 0,69897 Karier 0 0 1 0 0 1 0,69897 Karya 0 0 1 0 0 1 0,69897 Kat 0 0 0 2 0 1 0,69897 koncatan 1 0 0 0 0 1 0,69897 Kritik 0 0 0 1 0 1 0,69897 kualitas 0 0 0 1 0 1 0,69897 kurikulum 0 0 0 0 2 1 0,69897 Kuwat 0 1 0 0 0 1 0,69897 kuwawa 1 0 0 0 0 1 0,69897 Lapang 0 0 1 0 1 2 0,39794 Lara 3 0 0 0 0 1 0,69897 Larang 0 0 0 0 1 1 0,69897 laras 0 0 0 0 1 1 0,69897 ligi 0 0 0 0 2 1 0,69897 masarakat 0 0 0 1 0 1 0,69897 meneh 0 0 0 1 0 1 0,69897 mokal 1 0 0 0 0 1 0,69897 momok 1 0 0 0 0 1 0,69897 mono 1 0 0 0 0 1 0,69897 muluk 0 0 1 0 0 1 0,69897 mungguh 1 0 0 0 0 1 0,69897 mutu 0 0 0 1 1 2 0,39794 nduweni 0 2 0 0 0 1 0,69897 ngawekani 0 1 0 0 0 1 0,69897 nggeluti 0 0 1 0 0 1 0,69897 nyawa 1 0 0 0 0 1 0,69897 operasi 1 0 0 0 0 1 0,69897 organ 0 1 0 0 0 1 0,69897 pangupa 0 0 1 0 0 1 0,69897 pawong 2 0 0 0 0 1 0,69897 pendidikan 0 0 0 0 1 1 0,69897 penyakit 0 1 0 0 0 1 0,69897 rega 0 0 0 0 1 1 0,69897

(59)

regeneratif 0 1 0 0 0 1 0,69897 reiki 0 2 0 0 0 1 0,69897 remeh 0 0 1 0 0 1 0,69897 rusak 0 1 0 0 0 1 0,69897 sandhang 1 0 0 0 0 1 0,69897 sapa 1 0 0 0 0 1 0,69897 saran 0 0 0 1 0 1 0,69897 sebut 0 0 0 1 0 1 0,69897 sekolah 0 0 0 0 2 1 0,69897 selaras 0 0 0 0 1 1 0,69897 sipat 0 1 0 0 0 1 0,69897 sleman 0 0 0 4 0 1 0,69897 sumbang 0 0 0 1 0 1 0,69897 syaraf 0 1 0 0 0 1 0,69897 tandhang 1 0 0 0 0 1 0,69897 tansaya 0 0 1 0 0 1 0,69897 tantang 0 0 1 0 0 1 0,69897 tekun 0 0 1 0 0 1 0,69897 thithik 1 0 0 0 0 1 0,69897 tingkat 0 0 0 0 1 1 0,69897 tujuan 0 0 0 1 0 1 0,69897 tumrap 1 0 0 0 0 1 0,69897 untung 0 0 1 0 0 1 0,69897 urus 0 0 0 1 0 1 0,69897 warih 0 0 1 0 0 1 0,69897 werna 0 1 0 0 0 1 0,69897 wujud 1 0 0 1 0 2 0,39794 wulang 0 0 0 0 2 1 0,69897

3.7.2.2Perhitungan Bobot (tf-idf)

Tabel 3.7 Perhitungan Bobot (w)

kesehatan(1) kesehatan(2) pendidikan (1)

pendidikan (2) test 0 0 0 0 1,39794 0 0 2,09691 0 0 0 0 0 0,69897 0 0 0 0,69897 0 0 0 0 0 0 0,69897

(60)

0 0 0 0 0,69897 0 0 1,59176 0 0,39794 0 0 0 0 0,69897 0 1,39794 0 0 0 0 0 0,69897 0 0 0 0 0,69897 0 0 0 0 0,69897 0 0 0 0 0 0 0,69897 0 0 0,69897 0 0 0 0 0 0,69897 0 0 0 0 0,69897 0 0 0 0 2,09691 0 0 0 0 1,39794 0 0 0 0,69897 0 0 0 0,69897 0 0 0

0,69897 0 0 0 0

0 0,69897 0 0 0

0,69897 0 0 0 0

0 0,69897 0 0 0 0 0 0,69897 0 0 0 0 0,69897 0 0 0 0 0,69897 0 0 0 1,39794 0 0 0 0 0 0,39794 0 0,39794 0 0 0,69897 0 0 0 0 0,69897 0 0 0 0,69897 0 0 0 0 0 0,69897 0 0 0 0 0,69897 0 0 0 0 0,69897 0 0 0 0 0 2,79588 0 0 0 0 0 0,69897

1,39794 0 0 0 0

0,69897 0 0 0 0

0 0 0,69897 0 0 0 0 0,69897 0 0 0 0 0 1,39794 0

0,69897 0 0 0 0

0 0 0 0,69897 0 0 0 0 0,69897 0 0 0 0 0 1,39794

(61)

0 0,69897 0 0 0

0,69897 0 0 0 0

0 0 0,39794 0 0,39794

2,09691 0 0 0 0

0 0 0 0 0,69897 0 0 0 0 0,69897 0 0 0 0 1,39794 0 0 0 0,69897 0 0 0 0 0,69897 0

0,69897 0 0 0 0

0 0 0,69897 0 0

0,69897 0 0 0 0

0 0 0 0,39794 0,39794 0 1,39794 0 0 0 0 0,69897 0 0 0 0 0 0,69897 0 0

0,69897 0 0 0 0

0 0,69897 0 0 0 0 0 0,69897 0 0

1,39794 0 0 0 0

0 0 0 0 0,69897 0 0,69897 0 0 0 0 0 0 0 0,69897 0 0,69897 0 0 0 0 1,39794 0 0 0 0 0 0,69897 0 0 0 0,69897 0 0 0

0,69897 0 0 0 0

0 0 0 0,69897 0 0 0 0 0,69897 0 0 0 0 0 1,39794 0 0 0 0 0,69897 0 0,69897 0 0 0 0 0 0 2,79588 0 0 0 0 0,69897 0 0 0,69897 0 0 0

(62)

0 0 0,69897 0 0 0 0 0,69897 0 0 0 0 0,69897 0 0

0,69897 0 0 0 0

0 0 0 0 0,69897 0 0 0 0,69897 0

0,69897 0 0 0 0

0 0 0,69897 0 0 0 0 0 0,69897 0 0 0 0,69897 0 0 0 0,69897 0 0 0 0,39794 0 0 0,39794 0 0 0 0 0 1,39794

3.7.2.3Perhitungan Inner Product

Tabel 3.8 Perhitungan Inner Product

Wdtest * Wdtraining

kesehatan(1) kesehatan(2) pendidikan (1)

pendidikan (2)

0 0 0 0

0 0 0,633425 0

0 0 0 0

(63)

0 0 0 0

0 0 0,158356 0

0 0 0 0

0 0 0,158356 0

0 0 0 0

(64)

0 0 0 0

(65)

3.7.2.4Perhitungan Panjang Dokumen

Tabel 3.9 Perhitungan Panjang Dokumen

W*W(panjang vektor)

kesehatan(1) kesehatan(2) pendidikan (1)

pendidikan (3) test 0 0 0 0 1,954236 0 0 4,397032 0 0 0 0 0 0,488559 0 0 0 0,488559 0 0 0 0 0 0 0,488559 0 0 0 0 0,488559 0 0 2,5337 0 0,158356 0 0 0 0 0,488559 0 1,954236 0 0 0 0 0 0,488559 0 0 0 0 0,488559 0 0 0 0 0,488559 0 0 0 0 0 0 0,488559 0 0 0,488559 0 0 0 0 0 0,488559 0 0 0 0 0,488559 0 0 0 0 4,397032 0 0 0 0 1,954236 0 0 0 0,488559 0 0 0 0,488559 0 0 0

0,488559 0 0 0 0

0 0,488559 0 0 0

0,488559 0 0 0 0

0 0,488559 0 0 0 0 0 0,488559 0 0 0 0 0,488559 0 0 0 0 0,488559 0 0 0 1,954236 0 0 0 0 0 0,158356 0 0,158356 0 0 0,488559 0 0 0 0 0,488559 0 0 0 0,488559 0 0 0 0 0 0,488559 0 0 0 0 0,488559 0 0

(66)

0 0 0,488559 0 0 0 0 0 7,816945 0 0 0 0 0 0,488559

1,954236 0 0 0 0

0,488559 0 0 0 0

0 0 0,488559 0 0 0 0 0,488559 0 0 0 0 0 1,954236 0

0,488559 0 0 0 0

0 0 0 0,488559 0 0 0 0 0,488559 0 0 0 0 0 1,954236 0 0,488559 0 0 0

0,488559 0 0 0 0

0 0 0,158356 0 0,158356

4,397032 0 0 0 0

0 0 0 0 0,488559 0 0 0 0 0,488559 0 0 0 0 1,954236 0 0 0 0,488559 0 0 0 0 0,488559 0

0,488559 0 0 0 0

0 0 0,488559 0 0

0,488559 0 0 0 0

0 0 0 0,158356 0,158356 0 1,954236 0 0 0 0 0,488559 0 0 0 0 0 0,488559 0 0

0,488559 0 0 0 0

0 0,488559 0 0 0 0 0 0,488559 0 0

1,954236 0 0 0 0

0 0 0 0 0,488559 0 0,488559 0 0 0 0 0 0 0 0,488559 0 0,488559 0 0 0 0 1,954236 0 0 0 0 0 0,488559 0 0

(67)

0 0,488559 0 0 0

0,488559 0 0 0 0

0 0 0 0,488559 0 0 0 0 0,488559 0 0 0 0 0 1,954236 0 0 0 0 0,488559 0 0,488559 0 0 0 0 0 0 7,816945 0 0 0 0 0,488559 0 0 0,488559 0 0 0

0,488559 0 0 0 0

0 0 0,488559 0 0 0 0 0,488559 0 0 0 0 0,488559 0 0

0,488559 0 0 0 0

0 0 0 0 0,488559 0 0 0 0,488559 0

0,488559 0 0 0 0

0 0 0,488559 0 0 0 0 0 0,488559 0 0 0 0,488559 0 0 0 0,488559 0 0 0 0,158356 0 0 0,158356 0 0 0 0 0 1,954236 SUM _16,28081 _14,16821 _19,46142 _{30,11882 15,77876} SQRT _4,034948 _3,764069 _4,41151 _{5,488061 3,972248}

Nilai Cosinus Similarity

Test kesehatan(1) 0 Test kesehatan(2) 0 Test pendidikan(1) 0,054220411 Test pendidikan(2) 0,007264068

Maka disimpulkan

jika k =1 maka test termasuk kategori pendidikan.

(68)

3.7.3 Skenario Pengujian

Dalam Pengujian untuk algoritma K-NN akan dilakukan dengan

cross validation. Dokumen dibagi ke dalam fold secara manual. Sebelum dimasukkan ke dalam fold dokumen terlebih dahulu diberi label berdasarkan kategori secara manual. Misalnya ada 3 fold maka pembagian datanya sebagai berikut :

a. Tahap I

Fold1 sebagai testing Fold2 sebagai training Fold3 sebagai training

b. Tahap II

Fold 2 sebagai testing Fold 1 sebagai training Fold 3 sebagai training

c. Tahap II

Fold 3 sebagai testing Fold 1 sebagai training Fold 2 sebagai training

Setelah didapatkan hasil dari semua data diatas makan diukur precission

dengan rumus :

(69)

3.8 Perancangan Antar Muka ( Interface)

3.8.1 Halaman Preprocessing Dokumen

SISTEM KLASIFIKASI DOKUMEN BAHASA JAWA

Klasifikasi Preprosesing

Ambil Dokumen Folder :

Mulai Reset

Proses

Gambar 3.10 Rancangan Halaman Preprocessing Dokumen

Preprocessing yaitu penginputan dokumen yang akan diklasifikasi secara manual yang akan dibandingkan dengan data testing.

(70)

3.8.2 Halaman Klasifikasi Dokumen

SISTEM KLASIFIKASI DOKUMEN BAHASA JAWA

Klasifikasi Preprosesing

Ambil Dokumen Nilai K : Max Klasifikasi Reset

Dokumen Kategori

Proses Klasifikasi

Gambar 3.11 Rancangan Halaman Klasifikasi Dokumen

Pada halaman ini dilakukan klasifikasi dokumen. Yaitu dengan mengambil

dokumen. Lalu menginputkan nilai k(jumlah tetangga terdekat). Kemudian

user menekan tombol klasifikasi. Maka akan tampil dokumen tersebut

(71)

53 BAB IV

IMPLEMENTASI

Pada bagian ini penulis membahas tentang implementasi pada sistem Klasifikasi

Dokumen Bahasa Jawa Dengan Metode K-Nearest Neighbor (K-NN). Pada implementasi penulis tidak mengerjakan tetapi dikerjakan oleh Euzhan Yogatama.

4.1. Spesifikasi Software Dan Hardware yang Dibutuhkan

4.1.1. Spesifikasi Software

Spesifikasi software yang digunakan dalam Klasifikasi Dokumen Bahasa Jawa Dengan Metode K-Nearest Neighbor (K-NN) adalah sebagai berikut :

1. Sistem operasi : Windows 7 Ultimate 64 bit

2. Netbeans IDE 6.8

3. Java JDK 1.6.0

4. Perl ( yang digunakan dalam menjalakan algoritma stemming).

4.1.2. Spesifikasi Hardware

Spesifikasi hardware yang digunakan dalam Klasifikasi Dokumen

Bahasa Jawa Dengan Metode K-Nearest Neighbor (K-NN) adalah sebagai berikut :

1. Prosesor : Intel(R) Core (TM) i3-3110M CPU @2.40 GHz

2. Memori RAM : 2 GB

(72)

4.2. Implementasi Preprocessing Dokumen

4.2.1. Implementasi Pembacaan Isi Dokumen

Pada langkah pembacaan file dokumen ini sistem akan membaca

isi dokumen. Dengan parameter method path (merupakan lokasi dimana folder lokasi jawaban disimpan) dan fileName (merupakan nama

dokumen). berikut ini merupakan list code openFile 4.2.1.

public static String openFile(String path, String fileName) throws FileNotFoundException, IOException {

String text = "", teks = "";

FileReader fr = new FileReader(path + "" + fileName); BufferedReader br = new BufferedReader(fr);

while ((teks = br.readLine()) != null) { text = text + teks + "\n";

}

br.close(); fr.close(); return text; }

List Code 4.2.1 openFile

4.2.2. Implementasi Tokenisasi, Menghapus Tanda Baca, Case Folding

Pada langkah ini sistem akan menghapus tanda baca (filterTandaBaca),

melakukan tokenisasi (tokenisasi), dan case folding (caseFolding) public static String filterTandaBaca(String doc) throws

FileNotFoundException, IOException { String cek = "";

String tandaBaca = openFile("src/aplikasi/", "tanda baca.txt"); for (int i = 0; i < tandaBaca.length(); i++) {

cek = tandaBaca.substring(i, i + 1); doc = replace(doc, cek, " ");

(73)

doc = replace(doc, " ", " "); doc = replace(doc, " ", " "); }

return doc ; }

public static String tokenisasi(String doc) { doc = replace(doc, " ", "\n");

return doc; }

public static String caseFolding(String doc) { doc = doc.toLowerCase();

return doc; }

List Code 4.2.2 Tokenisasi, Menghapus Tanda Baca, Case Folding

4.2.3. Implementasi Stopword

Pada tahap ini sistem melakukan proses penghilangan kata yang termasuk

stopword (kata yang tidak mempengaruhi proses pemerolehan informasi). Kata yang dihilangkan merupakan kata - kata yang tidak layak dijadikan

sebagai kata kunci. Berikut langkah penghilangan kata umum ( stopword) pada list code

//proses Stopword

public static String stopWord(String doc) throws FileNotFoundException, IOException {

String stoplist = openFile("src/aplikasi/", "stoplist.txt"); StringTokenizer stop = new StringTokenizer(stoplist); String[] stopA = new String[stop.countTokens()]; for (int i = 0; i < stopA.length; i++) {

stopA[i] = stop.nextToken(); }

StringTokenizer token = new StringTokenizer(doc); String[] tokenA = new String[token.countTokens()];

(74)

for (int i = 0; i < tokenA.length; i++) { tokenA[i] = token.nextToken(); }

String kataPenting = "";

for (int i = 0; i < tokenA.length; i++) { String t = "";

for (int j = 0; j < stopA.length; j++) {

if (tokenA[i].equalsIgnoreCase(stopA[j])) { tokenA[i] = "";

} } }

for (int i = 0; i < tokenA.length; i++) { if (tokenA[i].isEmpty()) {

//do nothing } else {

kataPenting = kataPenting + tokenA[i] + "\n"; }

}

return kataPenting; }

List Code 4.2.3 Stopword

4.2.4. Implementasi Stemming

Pada langkah proses stemming ini sistem akan memproses untuk mencari

kata dasar berdasarkan algoritma.

public static String stemDoc(String doc) throws FileNotFoundException, IOException {

String hasil = "";

StringTokenizer docToken = new StringTokenizer(doc);

//stemming setiap kata

while (docToken.hasMoreTokens()) {

hasil = hasil + stem(docToken.nextToken()) + "\n"; }

return hasil; }

(75)

public static String stem(String word) { String[] cmd = {"C:/Perl64/bin/perl",

"C:/Users/win7/Documents/NetBeansProjects/Aplikasi/src/aplikasi/stemW ord.pl", word};

Process process; String line = ""; try {

process = Runtime.getRuntime().exec(cmd); BufferedReader output = new BufferedReader(new InputStreamReader(process.getInputStream()));

line = output.readLine(); output.close(); } catch (Exception e) {

System.out.println("Exception: " + e.toString()); }

return line; }

List Code 4.2.4a Stemming

#1. make a rule #2. open text file #3. get one word #4. stem

#5. compare with the real root word #6. count the true word stem

local %suffix_1; local %suffix_2; local %suffix_3; local %suffix_4; local %suffix_5;

local %prefix_1; local %prefix_2; local %prefix_3; local %prefix_4; local %prefix_5; local %prefix_6; local %prefix_7; local %prefix_8; local %prefix_9; local %prefix_10;

(76)

local %infix_1; local %infix_2; local %dict;

my $word = $ARGV[0];

my $fileOp; #

$fileOp="D:\\test.txt"; #

open FILE, "<", $fileOp or die "Can't open";

# my $fileOut="D:\\hasilStem2.txt"; # open FILEOUT, ">",$fileOut or die $!; #

my $fileTest="D:\\testhasil2.txt"; #

open FILETESTH, ">",$fileTest or die $!;

initial(); # $right=0;

# while($line=<FILE>){

# @splLine=split(/\s+/,$line);

# #print $splLine[0]." ".$splLine[1]."\n";; # $word=lc $splLine[0];

#my $stemWord=stem($word); my $stemWord=stem(lc $word); print $stemWord;

# #print $stemWord."\n";#." ".$splLine[1]."\n"; # if ($stemWord eq lc $splLine[1])

# {

# #print FILEOUT $stemWord." ".$word."\n"; # $right++;

# } # else # {

# print FILEOUT " 1 ".$stemWord." 2 ".$splLine[1]." 3 ".$word."\n";

# } # }

# print $right;

sub initial{

(1)

LAMPIRAN I

Contoh Isi Dokumen yang Diklasifikasikan

Vitamin C Kena Kanggo Nanggulangi Kanker

SABEN Pil anti kanker mesthi ngandhut vitamin A. Mangkono panemune para dokter ing Inggris. Sabanjure diterangake, manawa organ badane manungsa kang tansah kekurangan vitamin A bakal nampa resiko tikel loro tumrap kanker,

katimbang kang kacukupan vitamin A. Malah tikel lima tumrap kanker paru-paru. Dr NICHOLAS WALD saka Rumah Sakit Radcliffe ing Inggris ngajokake bukti mangkene:

Rikala Januari 1975 ngadani pacoban marang 16000 priya umur 35-64 taun dijupuk getihe. Getih iku banjur disimpen becik. Limang taun sabanjure, yaiku Januari 1980 , 86 priya saka 16000 kasebut nandhang lara kanker.

Dr Nicholas Wald nuli mriksa getih kang disimpen limang taun iku. Tetela getihe panandhang kanker iku kekurangan vitamin A. Mula Dr Nicholas Wald banjur nelakake, manawa vitamin A bisa nylametake serangan kanker kanthi. Alesane: 1. Vitamin A duwe kuwajiban mbangun kulit lan selaput lendir. Kajaba iku uga ngayomi serangan sel kang ganas marang selaput lendir, lambung, usus lan paru-paru.

2. Vitamin A bisa nguwatake daya tangkis penyakit ing awak. Tambahan vitamin A bisa ditindakake manawa ana tandha serangan ganas.

3. Vitamin A bisa ngalahake bahan kang bisa njalari kanker.

Tumrap kang wis dewasa saben dina butuh 3000 SI (satuan internasional) kurang luwih 0,9 mgr. Kang becik antuk tambahan vitamin A kanthi tumata.

(2)

LAMPIRAN I

Proses Klasifikasi Dokumen dengan Manual

Mencari klasifikasi dari dokumen ks1 (kesehatan (1)).

Tabel Perhitungan idf

pd3 pd4 pd5 pd6 pd7 pd8 pd9 pd10 ek3 ek4 ek5 ek6 ek7 ek8 ek9 ek10 pl3 pl4 pl5 pl6 pl7 pl8 pl9 pl10 ks3 ks4 ks5 ks6 ks7 ks8 ks9 ks10 ks1

abad 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 1,518514 abang 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1,518514 abortus 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1,518514 abot 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 3 1,041393 abri 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1,518514 aceh 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 2 0 0 0 0 0 0 0 0 0 0 0 2 1,217484 ada 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 3 0 0 2 0 0 0 0 0 0 0 0 0 0 1 0 0 4 0,916454 adam 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1,518514 adaptasi 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1,518514 adat 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 2 1,217484 adeg 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1,518514 adhakan 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1,518514

Term tf df idf

yusuf 0 0 0 2 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 1,217484 yusup 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1,518514 yuswa 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1,518514 yuswane 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1,518514 yuta 0 0 0 0 0 0 0 1 0 0 2 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 3 1,041393 yutanan 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 2 1,217484 zat 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 8 0 0 2 0 1 3 1,041393

(3)

Tabel Perhitungan Bobot (tf-idf)

pd3 pd4 pd5 pd6 pd7 pd8 pd9 pd10 ek3 ek4 ek5 ek6 ek7 ek8 ek9 ek10 pl3 pl4 pl5 pl6 pl7 pl8 pl9 pl10 ks3 ks4 ks5 ks6 ks7 ks8 ks9 ks10 ks1 abad 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1,52 0 0 0 0 0 0 0 0 0 0 0 abang 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1,52 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 abortus 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1,52 0 0 0 0 0 0 abot 0 0 0 1,04 0 0 0 0 0 1,04 0 0 0 0 0 0 0 0 0 1,04 0 0 0 0 0 0 0 0 0 0 0 0 0 abri 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3,04 0 0 0 0 0 0 0 0 0 0 0 0 0 aceh 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1,22 0 0 2,43 0 0 0 0 0 0 0 0 0 0 0 ada 0 0 0 0 0 0 0 0 0 0 0 0 0 0,92 0 0 2,75 0 0 1,83 0 0 0 0 0 0 0 0 0 0 0,92 0 0 adam 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1,52 0 0 0 0 0 0 0 0 0 0 0 0 0 adaptasi 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1,52 0 0 adat 0 0 0 1,22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1,22 0 0 0 0 0 0 0 adeg 0 0 0 0 0 0 0 0 0 0 3,04 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 adhakan 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1,52 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 adhedhasar 0 0 0 0 0 0 0 1,22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1,22 0 0 0 0 0 0 0 0 0 0 adhem 0 0 0 0 0 0 0 0 0 0 0 0 0 3,65 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1,22 0 0 0 0 adhep 0 0 0 0 0 0,82 0 0 0,82 0 0 0 1,64 0 0 0 0 0 0 0 0 0 0,82 0,82 0 0 0 0 0 0 0 0 0 adhi 0 0 1,52 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Term W (tf-idf)

yusuf 0 0 0 2,43 1,22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 yusup 0 0 0 0 0 0 0 0 0 0 0 1,52 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 yuswa 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1,52 0 0 0 0 0 0 0 0 0 0 0 0 0 yuswane 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1,52 0 0 0 0 0 0 0 0 0 0 0 0 0 yuta 0 0 0 0 0 0 0 1,04 0 0 2,08 0 0 0 0 0 0 0 0 0 0 2,08 0 0 0 0 0 0 0 0 0 0 0 yutanan 0 0 0 0 0 0 0 0 0 0 0 0 2,43 0 0 0 0 0 0 0 1,22 0 0 0 0 0 0 0 0 0 0 0 0 zat 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 8,33 0 0 2,08 0 1,04

(4)

Tabel Perhitungan Inner Product

pd3 pd4 pd5 pd6 pd7 pd8 pd9 pd10ek3 ek4 ek5 ek6 ek7 ek8 ek9 ek10 pl3 pl4 pl5 pl6 pl7 pl8 pl9 pl10 ks3 ks4 ks5 ks6 ks7 ks8 ks9 ks10

abad 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

abang 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

abortus 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

abot 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

adat 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

ahli 0 0 0 0,5 3,3 1,1 0 0 0 0 0 0 0 0,5 0 0 0 0 0 0 0 0 0 0 0 1,1 0 0 0 0 0 0

ainun 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

ajab 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

ajaib 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

aji 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

aju 0 0 0 0,3 0 0 0 0 0 0 0,3 0,3 0,3 0,3 0 0 0 0 0 0 0 0,3 0,3 0,3 0 0 0 0 0 0 0 0

akademi 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Term w_dtest*w_dtraining

yuki 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

yusuf 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

yusup 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

yuswa 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

yuswane 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

yuta 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

yutanan 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

zat 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 8,7 0 0 2,2 0

(5)

Tabel Hasil Perhitungan Panjang Vektor

pd3 pd4 pd5 pd6 pd7 pd8 pd9 pd10 ek3 ek4 ek5 ek6 ek7 ek8 ek9 ek10 pl3 pl4 pl5 pl6 pl7 pl8 pl9 pl10 ks3 ks4 ks5 ks6 ks7 ks8 ks9 ks10 ks1 abad 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2,31 0 0 0 0 0 0 0 0 0 0 0 abang 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2,31 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 abortus 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2,31 0 0 0 0 0 0 abot 0 0 0 1,08 0 0 0 0 0 1,08 0 0 0 0 0 0 0 0 0 1,08 0 0 0 0 0 0 0 0 0 0 0 0 0 adat 0 0 0 1,48 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1,48 0 0 0 0 0 0 0 ahli 0 0 0 0,55 19,7 2,19 0 0 0 0 0 0 0 0,55 0 0 0 0 0 0 0 0 0 0 0 2,19 0 0 0 0 0 0 0,55 ainun 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ajab 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1,48 0 1,48 0 0 0 0 0 0 0 0 0 ajaib 0 9,22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 aji 0 0 0 0 0 0 0 0 0 0 0 2,31 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 aju 0 0 0 0,32 0 0 0 0 0 0 0,32 0,32 0,32 0,32 0 0 0 0 0 0 0 0,32 0,32 0,32 0 0 0 0 0 0 0 0 0,32 akademi 0 0 0 9,22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

w*w (panjang vektor)

Term

yusuf 0 0 0 5,93 1,48 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

yusup 0 0 0 0 0 0 0 0 0 0 0 2,31 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

yuswa 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2,31 0 0 0 0 0 0 0 0 0 0 0 0 0

yuswane 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2,31 0 0 0 0 0 0 0 0 0 0 0 0 0

yuta 0 0 0 0 0 0 0 1,08 0 0 4,34 0 0 0 0 0 0 0 0 0 0 4,34 0 0 0 0 0 0 0 0 0 0 0

yutanan 0 0 0 0 0 0 0 0 0 0 0 0 5,93 0 0 0 0 0 0 0 1,48 0 0 0 0 0 0 0 0 0 0 0 0

zat 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 69,4 0 0 4,34 0 1,08

(6)

Tabel Perhitungan Cosine Similarity

ks1 0,079914 ks9 0,06104 ks5 0,060296 ks4 0,058786 ks10 0,029468 ks3 0,022077 pd8 0,018695 ks7 0,018642 ks6 0,016869 ks8 0,016139 pd9 0,014364 pd5 0,013758 pl5 0,013095 ek3 0,010993 pd7 0,010316 pd4 0,010054 ek4 0,009464 ek7 0,008899 ek5 0,008593 ek8 0,008589 pl10 0,00857 pl4 0,008562 pd10 0,007978 pl9 0,007403 pl8 0,007384 pd6 0,006712 ek9 0,005747 pd3 0,005738 ek6 0,004953 pl3 0,004765 pl6 0,004365 pl7 0,000611 ek10

Maka dapat dilihat

Jika k=4 maka dokumen ks1 termasuk kategori kesehatan Jika k=8 maka dokumen ks1 termasuk kategori kesehatan

Sistem klasifikasi dokumen Bahasa Jawa dengan metode K Nearest Neighbor (K NN)