View of Implementasi Algoritma TF-IDF untuk Pencarian Pedoman Akademik dan Penentuan Sanksi Pada Jurusan Teknik Informatika UIN Sunan Gunung Djati Bandung

  INSIGHT

  Volume 1 No. 1 | April 2018 : 61-68

  

Implementasi Algoritma TF-IDF untuk

Pencarian Pedoman Akademik dan

Penentuan Sanksi Pada Jurusan

Teknik Informatika UIN

  

Sunan Gunung Djati

Bandung

  1

  2

  3 Firman Abdurrahman , Mohamad Irfan , Rian Andrian

Teknik Informatika, Fakultas Sains dan Teknologi UIN SGD Bandung

Jl. A.H. Nasution No. 105, Kota Bandung 40614

  

  

  

  

Abstract- Implementation System Searching Academic Guidance and Sanction Determination At Department of Informatics

UIN Sunan Gunung Djati Bandung is designed to obtain information about academic guidelines for students and lecturers

efficiently and can determine recommendations for sanctions against violators of the prevailing rules. The algorithm for this

system is using the Frequency-Inverse Document Frequency (TF-IDF) algorithm which is the calculation of the value of a

document that is very useful in the process of searching and giving sanction recommendation.

System built using PHP web programming framework and implementation of Term Frequency-Inverse Document Frequency

(TF-IDF) Algorithm. Documents used as test data have a good accuracy, so the tfidf algorithm is perfect for searching a term.

  Keywords- Web Framework, Term Frequency Inverse Document Frequency (TF-IDF).

  

Abstrak- Sistem Implementasi Pencarian Panduan Akademik dan Penentuan Sanksi Pada Jurusan Teknik Informatika UIN

Sunan Gunung Djati Bandung didesain untuk mendapatkan informasi tentang pedoman akademik bagi mahasiswa maupun

dosen secara efisien dan dapat menentukan rekomendasi sanksi terhadap pelanggar tata tertib yang berlaku. Algoritma untuk

sistem ini adalah menggunakan algoritma Frequency-Inverse Document Frequency (TF-IDF) yaitu perhitungan nilai suatu

dokumen yang sangat berguna dalam proses hasil pencarian dan pemberian rekomendasi sanksi. Sistem yang dibangun

dengan menggunakan framework web bahasa pemrograman PHP dan implementasi Algoritma Term Frequency-Inverse

Document Frequency (TF-IDF). Dokumen yang digunakan sebagai data uji memiliki tingkat akurasi yang baik, sehingga

algoritma tfidf sangat tepat untuk pencarian suatu term.

  Kata kunci- Framework Web, Term Frequency Inverse Document Frequency (TF-IDF).

  I. PENDAHULUAN tata tertib itu sendiri, maka dengan perkembangan teknologi yang semakin canggih saat ini dan Saat ini Teknologi Informasi berkembang dan ketergantungan kebanyakan orang terhadap teknologi akan menyebar hampir di setiap sendi kehidupan, sehingga lebih baik penyebaran informasi tentang tata tertib membuat teknologi pada saat ini menjadi bagian yang disebarkan melalui jaringan internet [4], [5]. penting di dalam kehidupan manusia. Hal tersebut Pada saat ini, untuk mendapatkan informasi tentang didasarkan pada perkembangan zaman menuju arah yang pedoman akademik, mahasiswa maupun dosen bisa lebih modern dan dinamis [1][2]. Dengan adanya internet, mencarinya secara manual dengan cara membaca buku- informasi dapat dengan mudah disebarluaskan dan diakses buku pedoman akademik, akan tetapi hal itu sangat tidak oleh banyak orang. Banyaknya informasi yang beredar efisien terhadap waktu. Mahasiswa terkadang malas untuk tentu membuat kebutuhan akan informasi semakin membaca, bahkan umumnya mahasiswa maupun dosen meningkat.[3] tidak memiliki buku pedoman akademik tersebut.

  Dengan membaca buku-buku panduan akademik dan Berdasarkan permasalahan di atas, maka diperlukan tata tertib, mahasiswa maupun dosen bisa mendapatkan aplikasi untuk penyebaran informasi secara informasi tentang panduan-panduan akademik yang telah terkomputerisasi dengan cara bertanya pada laman web ditetapkan oleh jurusan. Namun masih banyak mahasiswa seperti, contoh: Google, Yahoo, dll. Algoritma tf-idf maupun dosen yang tidak mendapatkan informasi tentang merupakan salah satu cara untuk pencarian kata

  ISSN 2620-5467 (Online)

  INSIGHT

  menggunakan pembobotan term. Metode pembobotan Tahap analyzing merupakan tahap penentuan term yang diterapkan pada aplikasi panduan akademik seberapa jauh keterhubungan antar kata-kata dan ini melakukan pencarian data dengan cara mencocokan dokumen yang ada. seluruh kata/ term yang terdapat pada dokumen kemudian menampilkan kata yang dicari. Dengan metode

  B.

   Pembobotan Kata (TF-IDF) tf-idf pencarian suatu kata (term) akan lebih mudah, efisien Term vector dari suatu dokumen adalah tuple bobot

  dan memiliki hasil yang akurat [6], [7]. semua term pada dokumen. Nilai bobot suatu term menyatakan kepentingan term tersebut dalam

  A.

  merepresentasikan dokumen. Metode pembobotan term

   Text Mining Text Mining adalah sebuah penerapan yang berasal ada tiga jenis yaitu Binary weighting, TF dan TF-IDF [5].

  dari information retrieval (IR) dan natural language

  processing (NLP)[8]. Definisi text mining secara sempit

  a. Binary weighting hanya berupa metode yang dapat menemukan informasi Pembobotan dengan metode ini hanya terdiri dari 2 baru yang tidak jelas atau mudah diketahui dari sebuah nilai yaitu 0 jika term i tidak berada pada dokumen dan 1 kumpulan dokumen [9][10]. Sedangkan secara lebih luas, jika sebaliknya. Binary weighting dapat dilihat pada text mining mencakup teknik text-processing yang lebih Persamaan 1 di bawah ini: umum, seperti pencarian, pengambilan intisari, dan pengkategorian.[11]

  0 : term i does not occur in document j

  Permasalahan yang dihadapi pada text mining adalah aij = jumlah data yang besar, dimensi yang tinggi, data dan 1 : term i occurs in the document j struktur yang terus berubah, serta data noise. Sehingga sumber data yang digunakan pada text mining adalah b. TF (Term Frequency) kumpulan teks yang memiliki bentuk yang tidak terstruktur Pembobotan dengan metode ini berdasarkan atau setidaknya semi terstruktur [12]. Tujuan dari text freskuensi term i muncul dalam dokumen. TF dapat mining adalah untuk mendapatkan informasi yang berguna dilihat pada persamaan 2 di bawah ini: dari sekumpulan dokumen dalam bentuk teks.[11] Tf(t,d) = frekuensi kemunculan t pada dokumen d

  Tahapan-tahapan yang dilakukan dalam proses text

  mining antara lain:

  c. TF-IDF (Term Frequency – Invers Document

  Frequency) a. Invers Document Frequency (IDF) adalah jumlah Tokenizing

  Tahap tokenizing adalah tahap pemotongan string dokumen yang mengandung sebuah term didasarkan input berdasarkan tiap kata yang menyusunnya. pada seluruh dokumen yang ada pada dataset. IDF dapat dilihat pada Persamaan 3 di bawah ini: b.

   Filtering

  Tahap filtering adalah tahap mengambil kata - kata

  = (

  penting dari hasil tokenizing. Proses filtering dapat

  )

  menggunakan algoritma stoplist (membuang kata yang kurang penting) atau wordlist (menyimpan kata Keterangan : penting). Stoplist / stopword adalah kata-kata yang tidak

• N adalah jumlah dokumen yang terdapat pada deskriptif yang dapat dibuang dalam pendekatan bag-of- kumpulan dokumen yang diamati.

  words . Contoh stopword

  adalah “yang”, “dan”, “di”,

• dfi adalah jumlah dokumen yang mengandung “dari” dan lain – lain.[13] term i.

  c.

   Stemming

  Pembobotan tf-idf untuk sebuah term i untuk dokumen

  Stemming merupakan suatu proses yang terdapat

  n didapatkan dari hasil perkalian nilai tf dan idf. Metode dalam sistem IR yang mentransformasi kata-kata yang

  TF-IDF ini merupakan pengintegrasian antar TF dan IDF

  terdapat dalam suatu dokumen ke kata-kata akarnya (root (Invers Document Frequency).

  word ) dengan menggunakan aturan-aturan tertentu.[4] Stemming kebanyakan digunakan pada teks berbahasa

  II. METODE PENELITIAN inggris dikarenakan teks berbahasa inggris memiliki struktur imbuhan yang tetap dan mudah untuk diolah

  Metode penelitian ini direncanakan ke dalam tahap sementara stemming untuk proses bahasa Indonesia langkah-langkah secara sistematis. Penelitian dilakukan memiliki struktur imbuhan yang rumit / kompleks dengan beberapa tahap : sehingga agak lebih susah untuk diolah.[13]

  d.

   Tagging A.

   Tahap Pengumpulan Data

  Tahap tagging adalah tahap mencari bentuk awal atau Untuk mendapatkan data dan bahan laporan penelitian root dari tiap kata lampau atau kata hasil stemming. yang sesuai harapan, teknik pengumpulan data yang e.

   Analyzing

  digunakan ada tiga jenis diantaranya sebagai berikut:

  62 Implementasi Algoritma TF-IDF untuk Pencarian Pedoman Akademik dan Penentuan Sanksi Pada Jurusan Teknik Informatika UIN Sunan Gunung Djati Bandung INSIGHT | Volume 1 No. 1 | April 2018 : 61-68

  63

  feedback.

  throwaway prototype merupakan hasil perkembangan dari prototype, tetapi throwaway prototype lebih mengarah

  pada hasil persentasi saja, yang dimana bertujuan untuk memvisualisasikan sebuah system yang sedang dibangun dan bedasarkan komentar pengguna, prototipe berikutnya terus dibangun sampai dapat memvisualisasikan sistem kerja nyata.

  Gambar 1 Kriteria metode pengembangan.[15]

  Pembangunan aplikasi ini menggunakan metode

  throwaway prototype karena menurut gambar 1 di atas, throwaway prototype memiliki nilai terbaik dari metode

  yang lain dalam memenuhi kriteria yang sama seperti aplikasi yang akan dibangun ini.

  Gambar 2 Throwaway Prototyping[15]

  Model ini digunakan karena mempunyai phase analisis yang cukup relative yang digunakan sebagai informasi dan pengembangan ide untuk konsep sebuah sistem. Sehingga lebih mudah dan cepat untuk memberikan sebuah

  Berikut adalah tahapan dalam metode prototype :

  Throwaway Prototyping adalah suatu metode yang

  1. Komunikasi dan pengumpulan data awal, yaitu analisis terhadap kebutuhan pengguna.

  2. Quick design (desain cepat), yaitu pembuatan desain secara umum untuk selanjutnya dikembangkan kembali.

  3. Pembentukan prototype, yaitu pembuatan perangkat prototype termasuk pengujian dan penyempurnaan.

  4. Evaluasi terhadap prototype, yaitu mengevaluasi prototype dan memperhalus analisis terhadap kebutuhan pengguna.

  5. Perbaikan prototype, yaitu pembuatan tipe yang sebenarnya berdasarkan hasil dari evaluasi

  prototype.

  6. Produksi akhir, yaitu memproduksi perangkat secara benar sehingga dapat digunakan oleh pengguna.

  III. HASIL DAN PEMBAHASAN A.

   Analisis Algoritma TFIDF

  sama persis dengan metode prototyping dimana

  Prototype.

  a. Studi literatur

  11. Buku Himpunan Peraturan Tentang Perguruan Tinggi Di Indonesia

  1. Panduan Kode Etik dan Tata Tertib Mahasiswa Fakultas Sains dan Teknologi (UIN) Sunan Gunung Djati Bandung 2015.

  2. Panduan Pelaksanaan Pembinaan, Pelatihan dan Ujian Tahfidz Al-Quran UIN Sunan Gunung Djati Bandung 3. Pedoman Akademik FST 2016 Rev 4.

  4. Pedoman Organisasi Kemahasiswaan Intra Universitas

  5. Pedoman Orientasi Pengenalan Akademik (OPAK)

  6. Pedoman Umum Panitia Kegiatan Kemahasiswaan

  7. Peraturan Menteri Agama Tentang Ijazah, Transkrip Akademik, dan Surat Keterangan Pendamping Ijazab Perguruan Tinggi Keagamaan

  8. Standar Mutu Universitas Islam Negeri Sunan Gunung Djati Bandung

  9. Standar Operasi dan Prosedur Kegiatan Kemahasiswaan

  10. Standar Operasi dan Prosedur Pengelolaan Beasiswa

  12. Pedoman Akademik UIN Sunan Gunung Djati Bandung 2015

  Dalam pembangunan aplikasi web ini mengikuti tahapan-tahapan berdasarkan metode Throwaway

  13. Administrasi Surat Keterangan

  14. Buku Kurikulum Pendidikan Tinggi

  15. Pedoman Penghitungan dan Beban Kerja Dosen UIN SGD Bandung

  b. Metode Observasi Teknik pengumpulan data dengan mengadakan pengamatan atau kegiatan yang sistematis terhadap objek yang dituju secara langsung.

  c. Metode Wawancara Adalah suatu metode penelitian dengan mengadakan tanya jawab dengan Anggota SENAT UIN Bandung

  Bapak Mohammad Irfan, Bapak Cecep Hidayat dan Bapak Nanang Ismail.

  B. Tahap Pendekatan Sistem

  Untuk menggambarkan sistem yang akan dibangun, maka perlu menggunakan alat bantu pemodelan sistem, berupa Use Case Diagram, Class Diagram, Sequence Diagram dan Activity Diagram [14].

  C. Tahap Pengembangan Sistem

  Terdapat kalimat : Melakukan kegiatan yang bertentangan dengan sikap dan nilai-nilai kejujuran ilmiah seperti: tindakan plagiat, karya ilmiah dibuatkan oleh orang lain, membuatkan karya ilmiah orang lain, mempalsukan nilai, tanda tangan, cap/stempel, ijazah dan/atau surat-surat berharga lainnya yang terkait dengan administrasi akademik

  INSIGHT

  words . Contoh stopword

  Buat tabel tf

  Hasil Filtering Hasil Stemming kegiatan kegiatan sikap sikap nilai nilai nilai nilai kejujuran jujur ilmiah ilmiah tindakan tindak plagiat plagiat karya karya ilmiah ilmiah dibuatkan buat orang orang karya karya membuatkan buat karya karya ilmiah ilmiah orang orang mempalsukan palsu nilai nilai tanda tanda tangan tangan cap cap stempel stempel ijazah ijazah surat suart surat suart berharga harga administrasi administrasi akademik akademik

  Tabel 3 Proses Stemming

  Tahap stemming adalah tahap mencari root kata dari tiap kata hasil filtering.[13]

   Stemming

  Kata diambil ilmiah dan dibuatka n seperti atau orang tindakan surat karya plagiat surat membuat kan karya berharga karya ilmiah lainnya ilmiah dibuatkan yang orang oleh terkait mempals ukan orang dengan nilai lain administrasi tanda membuatkan akademik tangan karya cap c.

  Hasil Tokenizing Hasil Filtering

  Kata diambil melakukan ilmiah kegiatan stempel kegiatan orang sikap ijazah yang lain nilai surat bertentangan mempalsukan nilai surat dengan nilai kejujuran berharga sikap tanda ilmiah administr asi dan tangan tindakan akademi k nilai cap plagiat nilai stempel karya kejujuran ijazah ilmiah

  Tabel 2 Proses Filtering Hasil Tokenizing Hasil Filtering

  adalah “yang”, “dan”, “di”, “dari” dan lain – lain.[13]

  Tahap filtering adalah tahap mengambil kata - kata penting dari hasil tokenizing. Kata-kata yang tidak deskriptif yang dapat dibuang dalam pendekatan bag-of-

  ISSN 2620-5467 (Online)

   Filtering

  b.

  Melakukan kegiatan yang bertentangan dengan sikap dan nilai-nilai kejujuran ilmiah seperti: tindakan plagiat , karya ilmiah dibuatkan oleh orang lain , membuatkan karya ilmiah orang lain , mempalsukan nilai , tanda tangan , cap / stempel , ijazah dan/atau surat - surat berharga lainnya yang terkait dengan administrasi akademik melakukan ilmiah kegiatan orang bertentangan mempalsukan dengan nilai sikap tanda dan tangan nilai cap nilai stempel kejujuran ijazah ilmiah dan seperti atau tindakan surat plagiat surat karya berharga ilmiah lainnya dibuatkan yang oleh terkait orang dengan lain administrasi membuatkan akademik karya

  Tabel 1 Proses Tokenizing Kalimat Hasil Tokenizing

  Tahap tokenizing / parsing adalah tahap pemotongan string input berdasarkan tiap kata yang menyusunnya.[13]

   Tokenizing

  a.

  tokenizing, filtering, dan stemming. Proses selanjutnya yaitu menghitung tf kemudian df dan idf, dan terakhir tf.idf.

  64 Langkah awal sebelum melakukan perhitungan tf-idf sistem terlebih dahulu melakukan proses text mining yaitu

  Implementasi Algoritma TF-IDF untuk Pencarian Pedoman Akademik dan Penentuan Sanksi Pada Jurusan Teknik Informatika UIN Sunan Gunung Djati Bandung

  Tabel 4 Term Frekuensi INSIGHT | Volume 1 No. 1 | April 2018 : 61-68 Di database memiliki 36 data jadi N=36, Maka dengan rumus idf

  Term D1 kegiatan

  1 Keterangan: = ( sikap

  1 )

  Term = kata yg ada nilai

  3 D1 = Data ke 1

  Mendapatkan hasil idf pada tabel berikut :

  jujur

  1 ilmiah

  3 Tabel 6 Invers dokumen frekuensi tindak

  1 Term Df N

  IDF plagiat

  1 1 36 log(36/1)=1,556 kegiatan karya

  3 1 36 log(36/1)=1,556 sikap buat

  2 3 36 log(36/3)=0,518 nilai 1 36 log(36/1)=1,556 jujur palsu

  1 3 36 log(36/3)=0,518 ilmiah tanda

  1 1 36 log(36/1)=1,556 tindak tangan

  1 1 36 log(36/1)=1,556 plagiat cap

  1 karya 3 36 log(36/3)=0,518 stempel

  1 buat 2 36 log(36/2)=0,778 ijazah

  1 orang 2 36 log(36/2)=0,778 suart

  2 palsu 1 36 log(36/1)=1,556 harga

  1 tanda 1 36 log(36/1)=0,778 administrasi

  1 tangan 1 36 log(36/1)=1,556 akademik

  1 cap 1 36 log(36/1)=1,556

  Kemudian menghitung dokumen frekuensi (df)

  1 36 log(36/1)=1,556 stempel 1 36 log(36/1)=1,556 ijazah

  Tabel 5 Data Frekuensi 2 36 log(36/2)=0,778 suart 1 36 log(36/1)=1,556 harga

  Term DF Keterangan:

  1 36 log(36/1)=1,556 administrasi 1 kegiatan

  Term = kata yg ada

  1 36 log(36/1)=1,556 akademik 1 sikap

  Df = Data frekuensi nilai

  3 Ini hasil akhir dari perhitungan tf.idf jujur 1 ilmiah

  3 Tabel 7 TF.IDF tindak 1 plagiat

  1 IDF Tf Tf.idf karya

  3 1 1,556x1=1,556 log(36/1)=1,556 buat

  2 log(36/1)=1,556 1 1,556x1=1,556

  2 orang 3 0,518x3=1,554 log(36/3)=0,518

  1 palsu log(36/1)=1,556 1 1,556x1=1,556

  1 tanda

  1 3 0,518x3=1,554 tangan log(36/3)=0,518

  1 cap 1 1,556x1=1,556 log(36/1)=1,556

  1 stempel 1 1,556x1=1,556 log(36/1)=1,556

  1 ijazah log(36/3)=0,518 3 0,518x3=1,554

  2 suart 2 0,778x2=1,556 log(36/2)=0,778 harga

  1 log(36/2)=0,778 2 0,778x2=1,556 administrasi

  1 1 1,556x1=1,556 log(36/1)=1,556 akademik

  1 log(36/1)=0,778 1 1,556x1=1,556

  Setelah mendapatkan df kemudian menghitung Invers

  1 1,556x1=1,556 log(36/1)=1,556 dokumen frekuensi (IDF) log(36/1)=1,556 1 1,556x1=1,556

  65 ISSN 2620-5467 (Online)

  INSIGHT Class diagram ini akan menjelaskan bagaimana

  1 1,556x1=1,556 log(36/1)=1,556

  memodelkan data dalam bentuk class diagram yang

  1 1,556x1=1,556 log(36/1)=1,556

  menunjukan sekumpulan class object, class diagram yang

  log(36/2)=0,778 2 0,778x2=1,556 terdapat dalam perangkat lunak ini.

  1 1,556x1=1,556 log(36/1)=1,556 log(36/1)=1,556 1 1,556x1=1,556 1 1,556x1=1,556 log(36/1)=1,556

  Untuk pencarian kata dengan menginputkan keyword “Plagiat”

  Tabel 8 Pencarian dengan tf-idf Kata Pencarian Plagiat

  Perhitungan : Term : Plagiat TF (Term Frequency) = 1

  Gambar 4 Class Diagram

  IDF (Inverse Document Frequency) = log (N / Df) = log (36/1) = 1.556

• ERD (Entity Relationship Diagram)

  Entity Relationship Diagram (ERD) adalah gambaran

  Tabel 1 sampai Tabel 7 menjelaskan proses tf-idf dari pada sistem dimana di dalam terdapat hubungan antar mulai pemecahan kata sampai pemberian nilai terhadap entity beserta relasinya. kata sehingga menghasilkan nilai df dan idf.

B. Perancangan Sistem

• Arsitektur Sistem Arsitektur sistem digunakan untuk menyatakan sebagaimana mendefinisikan komponen-komponen yang spesifikasi secara arsitektur seperti pada Gambar 2

  Gambar 5 Entity Relationship Diagram C. Perancangan User Interface

• Halaman User

  a. Halaman Search Pedoman Akademik Halaman search pedoman akademik merupakan halaman yang pertama kali muncul ketika menggunakan sistem pedoman akademik, menu ini menu yang akan digunakan oleh user. Tampilan halaman search seperti Gambar 6.

  Gambar 2 Arsitektur Sistem

• Use Case Diagram

  Use case diagram digunakan untuk memodelkan dan

  menyatakan unit fungsi/layanan yang disediakan oleh sistem (or bagian sistem: subsistem atau class) ke pemakai.

  Gambar 6 Halaman Search Pedoman Akademik Gambar 3 Use Case Diagram

  b. Halaman Hasil Search Pedoman Akademik

• Class Diagram

  66 Implementasi Algoritma TF-IDF untuk Pencarian Pedoman Akademik dan Penentuan Sanksi Pada Jurusan Teknik Informatika UIN Sunan Gunung Djati Bandung INSIGHT | Volume 1 No. 1 | April 2018 : 61-68 Halaman ini merupakan halaman yang berfungsi Halaman ini merupakan halaman yang berfungsi untuk menampilkan pedoman akademik yang dicari untuk menampilkan pelanggaran akademik yang oleh user. Seperti pada Gambar 7 dicari oleh dosen. Seperti pada Gambar 10.

  Gambar 10 Halaman Hasil Search Pelanggaran. Gambar 7 Halaman Hasil Search Pedoman

  c. Halaman Tampilan Detail Pelanggaaran

  c. Halaman Tampilan Detail Pedoman Akademik Halaman tampilan detail merupakan halaman

  Halaman tampilan detail merupakan halaman yang yang berfungsi untuk menampilkan pelanggarn berfungsi untuk menampilkan pedoman akademik yang akademik yang dipilih oleh dosen. Seperti pada dipilih oleh user. Seperti pada Gambar 8 Gambar 11.

  Gambar 11 Halaman Detail Pelanggaran Gambar 8 Halaman Detail Pedoman

• Halaman Admin • Halaman Dosen

  1. Halaman Login

  a. Halaman Search Pelanggaran Akademik Halaman ini merupakan halaman login dari

  Halaman search pelanggaran akademik merupakan sistem. Halaman ini digunakan untuk admin masuk halaman yang pertama kali muncul ketika dosen masuk ke dalam sistem. Adapun tampilan halaman login login ke menu pelanggaran, menu ini menu yang akan seperti pada Gambar 12. digunakan oleh dosen. Tampilan halaman search seperti Gambar 9.

  Gambar 12 Halaman Login

  2. Halaman Home Pengolahan Data Halaman home pengolahan data ini merupakan

  Gambar 9 Halaman Search Pelanggaran

  tampilan awal dari halaman pengolahan data. Admin dapat memilih menu manage untuk menambahkan b. Halaman Hasil Search Pelanggaran Akademik data pedoman. Seperti Gambar 13.

  67 ISSN 2620-5467 (Online)

  INSIGHT

  Menggunakan Metode tf-idf dan Vector Space Berbasis Web Pada Perpustakaan Sekolah Menengah Atas Negeri 2 Pangkal Pinang,” p. 8.

  [4]

  I. Septiana, M. Irfan, and A. R. Atmadja, “Sistem Pendukung Keputusan Penentu Dosen Penguji Dan Pembimbing Tugas Akhir Menggunakan Fuzzy Multiple Attribute Decision Makingdengan Simple Additive Weighting (Studi Kasus: Jurusan Teknik Informatika Uin Sgd Bandung),” J. Online Inform., vol.

  1, no. 1, pp. 43 –50, 2016. [5] M. Irfan, Jumadi, W. B. Zulfikar, and Erik,

  “Implementation of Fuzzy C-Means algorithm and TF- IDF on English journal summary,” 2017 Second Int. Gambar 13 Halaman Home Pengolahan Data , pp. 1 Conf. Informatics Comput.

• –5, 2017. [6] R. M. Puspita, Arini, and S. U. Masrurah,

  “Pengembangan Aplikasi Penjadwalan Kegiatan

  IV. PENUTUP Pelatihan Teknologi Informasi Dan Komunikasi

  Kesimpulan Dengan Algoritma Genetika,” J. Online Inform., vol. 1,

  Setelah melalui tahapan-tahapan yang sesuai no. 2, pp. 76 –81, 2016. dengan model pengembangan prototype dalam

  [7] M. Irfan, I. Z. Mutaqin, and R. G. Utomo, membangun sistem implementasi, dapat disimpulkan “Implementation of Dynamic Time Warping Algorithm beberapa hal sebagai berikut : on an Android Based Application to Write and

1. Algoritma tf-idf memiliki tingkat akurasi yang Pronounce Hijaiyah Letters,” IEEE CITSM, 2016.

  baik, sehingga algoritma tfidf sangat tepat untuk [8]

  D. S. A. Maylawati, M. A. Ramdhani, A. Rahman, and pencarian suatu term. W. Darmalaksana, “Incremental technique with set of

  2. Dari hasil penelitian yang telah dilakukan, frequent word item sets for mining large Indonesian pencarian pedoman akademik dengan text data,” 2017 5th Int. Conf. Cyber IT Serv. Manag. menggunakan algoritma tf-idf pada Jurusan

  CITSM 2017 , pp. 1 –6, 2017.

  Informatika UIN Sunan Gunung Djati Bandung [9] D. S. Maylawati, A. Rahman, M. I. N. Saputra, W. berfungsi dengan cukup baik sesuai dengan yang

  Darmalaksana, and M. A. Ramdhani, “Model of diharapkan dan pelanggaran akademik dengan Citation Network Analysis using Sequence of Words as menggunakan algoritma tfidf berfungsi dengan Structured Text Representation,” IOP Conf. Ser. Mater. sangat baik sesuai dengan yang diharapkan.

  Sci. Eng. , vol. 288, no. 1, p. 12048, 2018.

  Saran [10] C. Slamet, A. R. Atmadja, D. S. Maylawati, R. S. Setelah mengevaluasi terhadap proses dan hasil

  Lestari, W. Darmalaksana, and M. A. Ramdhani, dari sistem, maka terdapat beberapa saran untuk “Automated Text Summarization for Indonesian Article pengembangan sistemnya antara lain : Using Vector Space Model,” IOP Conf. Ser. Mater. Sci.

  1. Sistem ini mengharuskan update data terbaru Eng. , vol. 288, no. 1, p. 12037, 2018. pedoman akademik, sehingga data yang ada di

  [11] L. Agusta, “Perbandingan Algoritma Stemming Porter dalam sistem merupakan data peraturan terkini.

  Dengan Algoritma Nazief & Adriani Untuk Stemming

  2. Kedepannya dalam menampilkan data yang dicari Dokumen Teks Bahasa Indonesia,” Konf. Nas. Sist. dan dengan cara mengetikan keyword sistem harus

  Inform. 2009 , no. KNS&I09-036, pp. 196 –201, 2009.

  lebih mengutamakan padanan kata yang lebih [12]

  D. Setiawati, I. Taufik, Jumadi, and W. Z. Budiawan, banyak kecocokan katanya tampil pada bagian “Klasifikasi Terjemahan Ayat Al-Quran Tentang Ilmu teratas.

  Sains Menggunakan Algoritma Decision Tree Berbasis

  3. Sistem dapat dikembangkan dengan Mobile,” J. Online Inform., vol. 1, no. 1, pp. 24–27, menggunakan bahasa pemograman lain.

  2016. .

  [13]

  C. Triawati, M. A. Bijaksana, and Z. A. Baizal, “Metode Pembobotan Statistical Concept Based untuk

  V. REFERENSI Klastering dan Kategorisasi Dokumen Berbahasa Indonesia,” 2009.

  [1] Mms. Fauziah, S.Kom, Pengantar Teknologi Informasi.

  Bandung: Muara Indah, 2010.

  [14] M. A. Ramdhani, Metodologi Penelitian untuk Riset

  Teknologi Informasi . Bandung: UIN Sunan Gunung [2] Y. A. Gerhana, W. B. Zulfikar, A. H. Ramdani, and M.

  Djati Bandung, 2013.

A. Ramdhani, “Implementation of Nearest Neighbor using HSV to Identify Skin Disease,” IOP Conf. Ser.

  [15] A. . Fallis, System Analysis and Design, 5th ed., vol.

  Mater. Sci. Eng. , vol. 288, no. 1, p. 012153 53, no. 9. United States of America: Don Fowley, 2013.

  1234567890 Implementation, 2018. [3]

  M. Herliani, “Aplikasi Pencarian Buku Dengan

  68 Implementasi Algoritma TF-IDF untuk Pencarian Pedoman Akademik dan Penentuan Sanksi Pada Jurusan Teknik Informatika UIN Sunan Gunung Djati Bandung