SISTEM TUTORIAL MATEMATIKA DISKRET DALAM MENUNJANG PROSES BELAJAR BERBASIS KOMPETENSI.

ILMU KOMPUTER

Volume 5 Nomor 2 September 2012

Daftar Isi :

PERANCANGAN DAN IMPLEMENTASI AUTOMATED DOCUMENT INTEGRATION DENGAN MENGGUNAKAN ALGORITMA COMPLETE LINKAGE AGGLOMERATIVE HIERARCHICAL CLUSTERING ... 1 Gede Aditra Pradnyana, Ngurah Agus Sanjaya ER

SISTEM PENDUKUNG KEPUTUSAN DALAM PEMILIHAN TEMPAT KOST DENGAN METODE PEMBOBOTAN ( STUDI KASUS : SLEMAN YOGYAKARTA) ... 11 I Wayan Supriana

SISTEM TUTORIAL MATEMATIKA DISKRET DALAM MENUNJANG PROSES BELAJAR BERBASIS KOMPETENSI ... 17 I Gede Santi Astawa

PENENTUAN KOMPOSISI BAHAN PAKAN IKAN LELE YANG OPTIMAL DENGAN MENGGUNAKAN METODE IWO-SUBTRACTIVE CLUSTERING ... 22 Agus Muliantara

SISTEM PENGAMANAN DATA SIDIK JARI MENGGUNAKAN ALGORITMA AES PADA SISTEM KEPENDUDUKAN BERBASIS RADIO FREQUENCY IDENTIFICATION (RFID) ... 29 I Gede Andika Putra,I Made Widhi Wirawan

PENINGKATAN RELEVANSI HASIL PENCARIAN KATA KUNCI DENGAN PENERAPAN MODEL RUANG VEKTOR PADA SISTEM INFORMASI RUANG BACA DI JURUSAN ILMU KOMPUTER UNIVERSITAS UDAYANA ... 36 Ngurah Agus Sanjaya, Agus Muliantara, I Made Widiartha

A CASE STUDY OF IT IMPLEMENTATION IN PUBLIC UNIVERSITY : IT’S BARRIERS AND CHALLANGES ... 43 I Made Agus Setiawan

JURUSAN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS UDAYANA

SUSUNAN DEWAN REDAKSI JURNAL ILMU KOMPUTER

Jurusan Ilmu Komputer

Fakultas Matematika dan Ilmu Pengetahuan Alam

Universitas Udayana

Ketua

Agus Muliantara, S.Kom, M.Kom

Penyunting

Drs. Wayan Santiyasa, M.Si

Ngurah Agus Sanjaya, S.Kom, M.Kom

Cokorda Rai Adi Paramarta, S.T, M.M

Ida Bagus Gede Dwidasmara, S.Kom.M.Cs

Penyunting Tamu

Imas Sitanggang, S.Si, M.Kom (IPB)

Ir. A.A. Gede Raka Dalem, M.Sc (Hons)

Prof. Pieter Hartel (Twente University)

Pelaksana

I Made Widiartha, S.Si, M.Kom

Dra. Luh Gede Astuti, M.Kom

Gede Santi Astawa, ST, M.Cs

Ida Bagus Mahendra, S.Kom, M.Kom

Alamat Redaksi

Jurusan Ilmu Komputer

Fakultas Matematika dan Ilmu Pengetahuan Alam

Universitas Udayana

Kampus Bukit Jimbaran

–

Badung

Telpon. 0361

–

701805

Email : journal@cs.unud.ac.id

Website : www.cs.unud.ac.id

ISSN : 1979-5661 -1-

PERANCANGAN DAN IMPLEMENTASI AUTOMATED DOCUMENT INTEGRATION DENGAN MENGGUNAKAN ALGORITMA COMPLETE LINKAGE AGGLOMERATIVE

HIERARCHICAL CLUSTERING

Gede Aditra Pradnyana1, Ngurah Agus Sanjaya ER2 Program Studi Teknik Informatika, Jurusan Ilmu Komputer

Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana

Email : gede.aditra@cs.unud.ac.id1, agus.sanjaya@cs.unud.ac.id2

ABSTRAK

Salah satu cara yang umum digunakan untuk memperoleh informasi adalah dengan membaca beberapa dokumen yang membahas topik yang sama. Walaupun cara ini merupakan yang paling mudah namun pada pelaksanaannya banyak menghabiskan waktu. Penggunaan suatu sistem

automated document integration yang membantu menemukan kalimat penting dari masing-masing

dokumen akan menghemat waktu serta tenaga yang diperlukan. Keluaran dari sistem yang dikembangkan dalam penelitian ini adalah suatu dokumen yang dibentuk dari integrasi (cluster) kalimat-kalimat dari dokumen asli.

Kesamaan dokumen yang akan diintegrasikan ditentukan oleh cosine similarity. Sistem kemudian menghitung TF-IDF (term frequency-inverse document frequency) masing-masing kalimat pada dokumen. TF-IDF merupakan bobot dari suatu kalimat yang mencerminkan tingkat kepentingan dari kalimat pada suatu dokumen serta terhadap kalimat-kalimat lain pada dokumen yang berbeda. Kalimat-kalimat yang memiliki kesamaan yang tinggi kemudian digabungkan secara agglomerative

hierarchical menggunakan metode complete linkage. Hasil uji coba memperlihatkan 75% responden

menyatakan keluaran sistem adalah benar.

Kata kunci: automated document integration, complete linkage agglomerative hierarchical clustering, cosine similarity

ABSTRACT

A common way of gaining knowledge or information is by reading through documents which discuss the same topic. Despite being the easiest method to implement, it requires a lot of time and effort. Thus, the use of an automated text integration system which serves in finding important sentences from each original document, greatly reduces the time and effort needed. The research output which implements this system is a new document constructed from clustered sentences in the original documents.

The similarities of documents to be clustered is determined by using the cosine similarity. The system further calculates the TF-IDF (Term Frequency-Inverse Document Frequency) of each sentence in the documents. The TF-IDF serves as a weight of the sentence in a document to describe how important it is in comparison with other sentences in different documents. Sentences with high similarities are then clustered in an agglomerative hierarchical way using a complete linkage method. Experimental results show that 75% of respondents confirm that the output is correct.

Keywords: automated document integration, complete linkage agglomerative hierarchical clustering, cosine similarity

1. PENDAHULUAN

Perkembangan teknologi informasi yang semakin pesat dewasa ini membuat para

pengguna teknologi menuntut agar semua informasi dapat diperoleh dengan cepat, mudah, dan tidak membuang banyak waktu. Selain itu tingginya penggunaan internet telah memacu pesatnya pertumbuhan dan pertukaran

ISSN : 1979-5661 -2- informasi sehingga informasi yang beredar pun semakin banyak. Salah satu cara untuk memperoleh informasi adalah dengan membaca beberapa dokumen yang pada kenyataannya banyak membahas topik yang sama. Namun hal ini akan sangat menyulitkan pembaca untuk menangkap topik bahasan utama dari dokumen-dokumen tersebut karena harus mengingat isi dokumen yang telah dibaca sebelumnya. Pembaca harus mengintegrasikan dahulu dokumen-dokumen yang dia baca di dalam pikirannya sebelum dapat merangkum maksud dan topik utama dokumen-dokumen tersebut secara keseluruhan. Selain itu, seringkali ada pembaca yang tidak ingin membaca seluruh dokumen tersebut karena faktor waktu yang dibutuhkan terlalu lama atau adanya keterbatasan waktu.

Seiring berkembangnya teknologi informasi, maka saat ini telah diperoleh suatu solusi yang memungkinkan pembaca dapat membuat integrasi dari beberapa dokumen tersebut menjadi suatu kesatuan dokumen dengan mudah. Maksud dari integrasi dokumen disini adalah sebuah proses untuk menghasilkan suatu dokumen baru dari beberapa dokumen dengan menggunakan bantuan komputer, tanpa menghilangkan arti dan bagian-bagian penting dari tiap dokumen tersebut. Tujuan dari integrasi dokumen ini adalah untuk mengambil sumber informasi dengan memperhatikan sebagian besar bagian-bagian berupa kalimat-kalimat yang penting dari setiap dokumen yang berbeda dan menampilkan kepada pembaca dalam bentuk suatu dokumen baru yang sesuai dengan kebutuhan pembaca. Setelah melalui proses ini, diharapkan pembaca dapat terbantu dalam menyerap informasi penting yang ada dalam kumpulan dokumen yang berbeda dengan topik bahasan yang sama, karena pembaca tidak perlu lagi membaca kumpulan dokumen satu per satu. Proses integrasi dokumen ini akan menghasilkan suatu produk teks yang memiliki atau mengandung semua bagian penting dari dokumen-dokumen awal, namun memiliki susunan antar kalimat atau antar paragraf yang berbeda.

Adapun algoritma yang digunakan dalam proses integrasi dokumen ini adalah

agglomerative hierarchical clustering dengan

metode complete linkage. Agglomerative

hierarchical clustering adalah suatu metode

hierarchical clustering yang bersifat

bottom-up yaitu menggabungkan n buah cluster

(beberapa dokumen) menjadi satu cluster

tunggal (sebuah dokumen hasil integrasi).

Agglomerative hieararchical clustering

merupakan metode yang umum digunakan dalam clustering dokumen dan memiliki beberapa kelebihan, antara lain : tidak memperhitungkan initial centroid sehingga tepat digunakan dalam proses pengelompokan dokumen dan kinerja information retrieval

berbasis hierarchical clustering memiliki hasil yang lebih baik jika dibandingkan dengan metode partitional clustering (Hamzah, 2009). Algoritma agglomerative hierarchical

clustering dengan metode complete linkage

memiliki hasil clustering yang lebih baik dibandingkan dengan metode linkage yang lainnya (Soebroto, 2005).

Dalam proses clustering, kesamaan antara satu dokumen dengan dokumen yang lain diukur dengan fungsi kesamaan

(similarity) tertentu. Dalam sistem automated

document integration ini digunakan algoritma

cosine similarity dalam pengukuran kesamaan

antar dokumen. Sebelum proses clustering

dilakukan, suatu dokumen akan melalui proses

parsing, stemming, dan pembobotan kalimat

(TF – IDF) serta pembobotan relasi antar

kalimat. Proses stemming dilakukan dengan menggunakan algoritma porter stemmer for

Bahasa Indonesia.

2. TINJAUAN PUSTAKA

2.1 Complete Linkage Agglomerative Hierarchical Clustering

Salah satu kategori algoritma clustering yang banyak dikenal adalah hierarchical clustering.

Hierarchical clustering merupakan salah satu

algoritma clustering yang fungsinya dapat digunakan untuk pengelompokkan dokumen

(document clustering). Dari teknik

hierarchical clustering, dapat dihasilkan suatu

kumpulan partisi yang berurutan, dimana dalam kumpulan tersebut terdapat :

 Cluster-cluster yang mempunyai

poin-poin individu. Cluster-cluster ini berada di level yang paling bawah.

 Sebuah cluster yang didalamnya terdapat poin-poin yang dipunyai semua cluster didalamnya. Single

cluster ini berada di level yang paling

ISSN : 1979-5661 -3- Dalam algoritma hierarchical clustering, cluster yang berada di level yang lebih atas

(intermediate level) dari cluster yang lain

dapat diperoleh dengan cara mengkombinasikan dua buah cluster yang berada pada level dibawahnya. Hasil keseluruhan dari algoritma hierarchical

clustering secara grafik dapat digambarkan

sebagai tree, yang disebut dengan dendogram

(Tan, 2006).

Pada algoritma agglomerative

hierarchical clustering ini, proses hierarchical

clustering dimulai dari cluster-cluster yang

memiliki poin-poin individu yang berada di level paling bawah. Pada setiap langkahnya, dilakukan penggabungan sebuah cluster

dengan cluster lainnya, dimana cluster-cluster

yang digabungkan berada saling berdekatan atau mempunyai tingkat kesamaan yang paling tinggi (Tan, 2006).

Salah satu metode yang digunakan dalam Agglomerative Hierarchical Clustering

adalah Complete linkage (furthest neighbor

methods). Complete Linkage adalah suatu

metode yang menggunakan prinsip jarak minimum yang diawali dengan mencari jarak terjauh antar dua buah cluster dan keduanya membentuk cluster baru. Pada awalnya, dilakukan perhitungan jarak terpendek dalam

D = {dik} dan menggabungkan objek-objek yang bersesuaian misalnya, U dan V , untuk mendapatkan cluster (UV). Kemudian jarak-jarak antara (UV) dan cluster W yang lain dihitung dengan cara :

d(UV)W = max{duw , dvw} 2.2 Algoritma Cosine Similarity

Metode Cosine Similarity merupakan metode yang digunakan untuk menghitung

similarity (tingkat kesamaan) antar dua buah

objek. Secara umum penghitungan metode ini didasarkan pada vector space similarity

measure. Metode cosine similarity ini

menghitung similarity antara dua buah objek (misalkan D1 dan D2) yang dinyatakan dalam dua buah vektor dengan menggunakan

keywords (kata kunci) dari sebuah dokumen

sebagai ukuran.

Metode pengukuran kesesuaian ini memiliki beberapa keuntungan, yaitu adanya normalisasi terhadap panjang dokumen. Hal ini memperkecil pengaruh panjang dokumen. Jarak euclidean (panjang) kedua vektor digunakan sebagai faktor normalisasi. Hal ini

diperlukan karena dokumen yang panjang cenderung mendapatkan nilai yang besar dibandingkan dengan dokumen yang lebih pendek.

Perhitungan cosine similarity yang memperhitungkan perhitungan pembobotan kata pada suatu dokumen dapat dinyatakan dengan perumusan :

)

,

(

d

_i

q

_i

CosSim

   

_





  







t j ij t j ij t j ij ij i i i i

d

q

d

q

d

q

d

q

1 2 1 2 1

.

)

.

(

Keterangan :

qij = bobot istilah j pada dokumen i = tfij * idfj

dij = bobot istilah j pada dokumen i = tfij * idfj

2.3 Proses Parsing dan Stemming

Parsing adalah sebuah proses untuk

membuat sebuah kalimat menjadi lebih bermakna. Hal ini dilakukan dengan cara memecah kalimat tersebut menjadi kata-kata atau frase-frase (Budhi, 2005). Proses parsing

merupakan proses penguraian dokumen yang semula berupa kalimat-kalimat berisi kata-kata dan tanda pemisah antar kata seperti titik (.), koma (,), spasi dan tanda pemisah lain menjadi kata-kata saja.

Stemming merupakan suatu proses

yang terdapat dalam sistem IR (Information

Retrieval) yang mentransformasi kata-kata

yang terdapat dalam suatu dokumen ke kata-kata akarnya (root word) dengan menggunakan aturan-aturan tertentu untuk meningkatkan kualitas informasi yang didapatkan (Agusta, 2009). Proses tersebut akan menghilangkan imbuhan yang terkandung dalam suatu kata yang diproses. Sebagai contoh, kata bersama, kebersamaan, menyamai, setelah melaui proses stemming

akan menjadi kata “sama”. Proses ini akan mendukung tingkat ketelitian dalam perhitungan daftar keyword pada proses berikutnya. Algoritma stemming untuk Bahasa Indonesia yang dikenal antara lain Algoritma Porter Stemmer dan Algoritma Nazief & Adriani. Porter Stemmer for Bahasa Indonesia

dikembangkan oleh Fadillah Z. Tala pada tahun 2003. Implementasi Porter Stemmer for

Bahasa Indonesia berdasarkan English Porter

Stemmer yang dikembangkan oleh W.B.

ISSN : 1979-5661 -4- 2.4 Proses Stopword Removal

Kebanyakan bahasa resmi di berbagai negara memiliki kata fungsi dan kata sambung seperti preposisi dan kata hubung yang hampir selalu muncul pada dokumen-dokumen teks. Kata-kata ini umumnya tidak memiliki arti yang lebih untuk memenuhi kebutuhan seorang searcher dalam mencari informasi. Kata-kata tersebut (misalnya a, an, the, on

pada bahasa Inggris) yang disebut sebagai kata tidak penting misalnya “di”, “oleh”, “pada”, “sebuah”, “karena”, dan kata sambung lainnya. Sebelum proses stopword removal dilakukan, terlebih dulu dibuat daftar stopword(stoplist). Preposisi, kata hubung dan partikel biasanya merupakan kandidat stoplist. Stopword

removal merupakan proses penghilangan kata

tidak penting pada suatu dokumen, melalui pengecekan kata-kata hasil stemmer dokumen tersebut apakah termasuk kata di dalam daftar kata tidak penting (stoplist) atau tidak

2.5 Perhitungan Bobot Kalimat dan Bobot Relasi Antar Kalimat

2.5.1 TF-IDF (Terms Frequency-Inverse Document Frequency )

Metode ini merupakan metode untuk menghitung nilai/bobot suatu kata (term) pada dokumen. Metode ini akan mengabaikan setiap kata-kata yang tergolong tidak penting. Oleh sebab itu, sebelum melalukan metode ini, proses stemming dan stopword removal harus dilakukan terlebih dahulu oleh sistem. Karena melakukan pembobotan suatu kalimat bukan kata, pada metode ini terdapat 5 proses yang berbeda untuk perhitungan nilai suatu kalimat, yaitu (Budhi, 2008):

1. Kecocokan kata-kata pada kalimat dengan daftar kata kunci/keyword. Idenya adalah semakin tinggi nilai suatu kalimat, maka kalimat tersebut semakin penting keberadaannya di dalam suatu dokumen.

2. Menghitung frekuensi kata-kata suatu kalimat terhadap keseluruhan dokumen dan hasilnya akan dibagi dengan jumlah kata pada dokumen tersebut.

3. Bagian ketiga ini sangat sederhana yaitu hanya melihat posisi kalimat di dalam suatu paragraf. Berdasarkan metode deduktif

induktif sesuai kaidah Bahasa Indonesia, ide pokok suatu paragraf terdapat pada kalimat yang berada di awal dan atau akhir dari paragraf tersebut.

4. Bagian keempat ini sangat berhubungan dengan hasil pemetaan dokumen. Pada bagian keempat ini akan dihitung jumlah relasi (yang disimbolkan dengan

edge) suatu kalimat di dalam dokumen. Idenya adalah semakin banyak relasi yang dimiliki suatu kalimat dengan kalimat lainnya di dalam suatu dokumen maka kalimat tersebut kemungkinan mendiskusikan topik utama suatu dokumen.

5. Bobot kelima ini merepresentasikan seberapa penting sebuah kalimat dibandingkan dengan kalimat-kalimat lain yang terdapat pada semua dokumen yang akan diintegrasikan.

Setelah mendapatkan hasil dari kelima bobo diatas, selanjutnya nilai tf akan dihitung dengan persamaan berikut:

tf = bobot1 + bobot2 + bobot3 + bobot4 + bobot5 Faktor lain yang diperhatikan dalam pemberian bobot adalah kejarangmunculan kalimat (sentence scarcity) dalam koleksi. Kalimat yang muncul pada sedikit dokumen harus dipandang sebagai kata yang lebih penting (uncommon sentences) daripada kalimat yang muncul pada banyak dokumen. Pembobotan akan memperhitungkan faktor kebalikan frekuensi dokumen yang mengandung suatu kalimat (inverse document frequency).

Nilai dari tf akan dikalikan dengan nilai idf seperti pada persamaan dibawah ini (Intan, 2005):

Keterangan :

ISSN : 1979-5661 -5-

tf = jumlah kemunculan kata/term dalam dokumen

N= jumlah semua dokumen yang ada dalam database

n= jumlah dokumen yang mengandung kata/term

idf = inverse document frequency

2.5.3 Perhitungan Bobot Edge

Untuk perhitungan bobot edge akan digunakan persamaan berikut (Sjobergh, 2005) :

Nilai overlap i,j diperoleh dengan

menghitung jumlah kata yang sama antara kalimat ke-i dan kalimat ke-j dengan mengabaikan stopword yang ada di dalam kalimat-kalimat tersebut. Kemudian hasil dari persamaan diatas akan digunakan untuk menentukan nilai relasi dari setiap kalimat berdasarkan hasil pemetaan dari dokumen.

3. DESAIN AUTOMATED DOCUMENT INTEGRATION SYSTEM

Tahap awal yang dilakukan dalam pengembangan sistem adalah penentuan input, proses, dan output dari sistem yang akan dibuat. Input – input yang masuk dan akan diproses dalam sistem dapat dibagi menjadi 2 bagian yaitu :

1. Penentuan input sistem yang berupa kumpulan dokumen yang akan diintegrasikan. Dokumen disini berperan sebagai suatu kumpulan data-data mentah yang akan dijadikan objek pada penelitian ini. Dokumen berupa artikel-artikel mengenai teknologi informasi dalam Bahasa Indonesia dengan format file PDF. 2. Penentuan input yang kedua adalah

input dari user yang berupa nilai toleransi kesamaan antar dokumen yang akan diintegrasikan ( similarity

tolerance value ) ke sistem.

Setelah melakukan teknik kajian pustaka pada tahap sebelumnya, secara garis besar proses-proses yang ada pada sistem dapat dibagi ke dalam dua subsistem yaitu : 1. Subsistem Pre-Integration

Proses – proses yang ada pada subsistem ini adalah :

a. Proses upload dokumen ke dalam sistem.

b. Proses konversi dokumen dengan format file PDF menjadi file txt. c. Proses devide to word atau

parsing yaitu proses yang

memecah kalimat-kalimat dalam file txt menjadi kata-kata.

d. Proses stopword removal atau menghilangkan kata-kata tidak penting.

e. Proses stemming dengan algoritma Porter Stemmer for Bahasa Indonesia.

f. Proses perhitungan kesamaan dokumen dengan algoritma

Cosine Similarity.

2. Subsistem Integration Process

Proses – proses yang ada pada subsistem ini adalah :

a. Proses perhitungan bobot kalimat dengan metode TF-IDF.

b. Proses perhitugan bobot relasi antar kalimat.

c. Proses clustering dengan algoritma Complete Linkage

Agglomerative Hierarchical

Clustering

Pada proses integrasi dengan algoritma agglomerative hierarchical

clustering, awalnya semua kalimat yang

terdapat dalam tabel kalimat dianggap sebagai

atomic cluster – atomic cluster. Langkah

pertama yang dilakukan adalah mencari cluster-cluster dengan jarak terdekat, atau pasangan kalimat yang memiliki bobot relasi antar kalimat yang paling kecil. Pencarian dilakukan dengan menggunakan perintah

query select yang mengurutkan data-data pada

tabel kalimat_relasi secara ascending

berdasarkan bobot relasinya. Langkah selanjutnya adalah melakukan update jarak

cluster yang baru terbentuk dengan

cluster-cluster lainnya dengan metode maximum

distance. Setelah semua kalimat telah

tergabung menjadi sebuah cluster, dilakukan proses untuk memecah cluster tersebut menjadi paragraf – paragraf. Caranya adalah, kalimat – kalimat yang bergabung terlebih dahulu menjadi cluster – cluster besar dianggap sebagai sebuah paragraf tersendiri.

ISSN : 1979-5661 -6- Asumsinya, bila secara natural kalimat – kalimat tersebut bergabung, dapat dianggap kalimat – kalimat tersebut memiliki similarity

yang cukup tinggi dan membahas topik bahasan yang sama. Sementara untuk memproses kalimat – kalimat tersisa yang tidak mau bergabung kedalam cluster – cluster

besar, dipakai aturan sebagai berikut:

 Bila hanya 1 kalimat akan digabungkan pada paragraf terakhir.

 Bila lebih dari satu kalimat, kalimat – kalimat yang tersisa tersebut akan dipaksakan bergabung menjadi satu paragraf tersendiri.

Sementara, Output-output yang dihasilkan sistem melalui pemrosesan input dari user adalah :

a. Report tingkat kesamaan antar

dokumen yang akan diintegrasikan. b. Dokumen hasil proses integrasi yang

dapat disimpan dalam format file .doc. Berikut ini adalah gambar rancangan alur pada subsistem Integration secara garis besar :

start

Parsing paragraf menjadi kalimat

Parsing kalimat menjadi kata

Hitung bobot kalimat

Hitung bobot kalimat dengan TF-IDF Urut dokumen

berdasarkan similarity

Hitung bobot relasi antar kalimat

Proses pengelompokkan kalimat dengan clustering

Print hasil Clustering

Save ?

Save menjadi file .doc end

ya tidak

Gambar 1. Perancangan Alur pada Subsistem

Integration

4. PENGUJIAN SISTEM

4.1 Pengujian Sistem dengan White Box

Pengujian white box yang digunakan dalam pembuatan automated document integration system ini adalah pengujian basis

path. Pengujian tersebut ditujukan untuk

mencari path-path yang dilalui saat program

dijalankan. Pengujian basis path pada penelitian ini difokuskan pada proses perhitungan bobot relasi antar kalimat dan proses integrasi dengan algoritma complete

linkage agglomerative hierarchical clustering.

Alur logika dari sistem diujicoba dengan menyediakan kasus ujicoba yang melakukan semua kondisi atau perulangan yang ada pada sistem. Dimana setelah melakukan pengujian, setiap path yang ada dalam tiap proses dapat dijalan dengan baik.

4.2 Pengujian Proses Integrasi

Pengujian terhadap proses integrasi dilakukan dengan membandingkan proses integrasi dengan perhitungan manual dan dengan sistem. Dokumen yang dipergunakan adalah dokumen dengan judul Data Mining 1

dan Data Mining 2. Pada akhir pengujian

didapatkan hasil bahwa hasil integrasi secara manual menghasilkan dokumen yang sama dengan dokumen yang diintegrasikan oleh sistem. Berikut ini adalah contoh dokumen yang akan diintegrasikan dengan automated

document integration system.

“Data Mining 1”

Data Mining memang salah satu cabang ilmu komputer yang relatif baru. Dan sampai sekarang orang masih memperdebatkan untuk menempatkan data mining di bidang ilmu mana, karena data mining menyangkut database, kecerdasan buatan (artificial intelligence), statistik, dsb. Ada pihak yang berpendapat bahwa data mining tidak lebih dari machine learning atau analisa statistik yang berjalan di atas database. Namun pihak lain berpendapat bahwa database berperanan penting di data mining karena data mining mengakses data yang ukurannya besar (bisa sampai terabyte) dan disini terlihat peran penting database terutama dalam optimisasi query-nya.

Kehadiran data mining dilatar belakangi dengan problema data explosion yang dialami akhir-akhir ini dimana banyak organisasi telah mengumpulkan data sekian tahun lamanya (data pembelian, data penjualan, data nasabah, data transaksi dsb.). Hampir semua data tersebut dimasukkan dengan menggunakan aplikasi komputer yang digunakan untuk menangani transaksi sehari-hari yang kebanyakan adalah OLTP (On Line Transaction Processing). Bayangkan berapa

ISSN : 1979-5661 -7- transaksi yang dimasukkan oleh hypermarket semacam Carrefour atau transaksi kartu kredit dari sebuah bank dalam seharinya dan bayangkan betapa besarnya ukuran data mereka jika nanti telah berjalan beberapa tahun. Pertanyaannya sekarang, apakah data tersebut akan dibiarkan menggunung, tidak berguna lalu dibuang, ataukah kita dapat menambangnya untuk mencari emas, berlian yaitu informasi yang berguna untuk organisasi kita. Banyak diantara kita yang kebanjiran data tapi miskin informasi.

“Data Mining 2”

Data Mining (DM) adalah salah satu bidang yang berkembang pesat karena besarnya kebutuhan akan nilai tambah dari database skala besar yang makin banyak terakumulasi sejalan dengan pertumbuhan teknologi informasi. Definisi umum dari DM itu sendiri adalah serangkaian proses untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data. Dalam review ini, penulis mencoba merangkum perkembangan terakhir dari teknik-teknik DM beserta implikasinya di dunia bisnis.

Perkembangan data mining(DM) yang pesat tidak dapat lepas dari perkembangan teknologi informasi yang memungkinkan data dalam jumlah besar terakumulasi. Sebagai contoh, toko swalayan merekam setiap penjualan barang dengan memakai alat POS(point of sales). Database data penjualan tsb. bisa mencapai beberapa GB setiap harinya untuk sebuah jaringan toko swalayan berskala nasional. Perkembangan internet juga punya andil cukup besar dalam akumulasi data.

Tetapi pertumbuhan yang pesat dari akumulasi data itu telah menciptakan kondisi yang sering disebut sebagai “rich of data but poor of information” karena data yang terkumpul itu tidak dapat digunakan untuk aplikasi yang berguna. Tidak jarang kumpulan data itu dibiarkan begitu saja seakan-akan “kuburan data” (data tombs).

Hasil dari proses integrasi kedua dokumen diatas adalah sebagai berikut :

Kehadiran data mining dilatar belakangi dengan problema data explosion yang dialami akhir-akhir ini dimana banyak

organisasi telah mengumpulkan data sekian tahun lamanya (data pembelian, data penjualan, data nasabah, data transaksi dsb). Hampir semua data tersebut dimasukkan dengan menggunakan aplikasi komputer yang digunakan untuk menangani transaksi sehari-hari yang kebanyakan adalah OLTP (On Line Transaction Processing). Bayangkan berapa transaksi yang dimasukkan oleh hypermarket semacam Carrefour atau transaksi kartu kredit dari sebuah bank dalam seharinya dan bayangkan betapa besarnya ukuran data mereka jika nanti telah berjalan beberapa tahun.

Pertanyaannya sekarang, apakah data tersebut akan dibiarkan menggunung, tidak berguna lalu dibuang, ataukah kita dapat menambangnya untuk mencari emas, berlian yaitu informasi yang berguna untuk organisasi kita. Banyak diantara kita yang kebanjiran data tapi miskin informasi.

Dan sampai sekarang orang masih memperdebatkan untuk menempatkan data mining di bidang ilmu mana, karena data mining menyangkut database, kecerdasan buatan (artificial intelligence), statistik, dsb. Ada pihak yang berpendapat bahwa data mining tidak lebih dari machine learning atau analisa statistik yang berjalan di atas database. Namun pihak lain berpendapat bahwa database berperanan penting di data mining karena data mining mengakses data yang ukurannya besar (bisa sampai terabyte) dan disini terlihat peran penting database terutama dalam optimisasi query-nya. Data Mining memang salah satu cabang ilmu komputer yang relatif baru.

Tetapi pertumbuhan yang pesat dari akumulasi data itu telah menciptakan kondisi yang sering disebut sebagai “rich of data but poor of information” karena data yang terkumpul itu tidak dapat digunakan untuk aplikasi yang berguna. Tidak jarang kumpulan data itu dibiarkan begitu saja seakan-akan “kuburan data” (data tombs). Perkembangan internet juga punya andil cukup besar dalam akumulasi data.

Data Mining (DM) adalah salah satu bidang yang berkembang pesat karena besarnya kebutuhan akan nilai tambah dari database skala besar yang makin banyak terakumulasi sejalan dengan pertumbuhan teknologi informasi. Definisi umum dari DM itu sendiri adalah serangkaian proses untuk menggali nilai tambah berupa pengetahuan

ISSN : 1979-5661 -8- yang selama ini tidak diketahui secara manual dari suatu kumpulan data. Dalam review ini, penulis mencoba merangkum perkembangan terakhir dari teknik-teknik DM beserta implikasinya di dunia bisnis. Perkembangan data mining(DM) yang pesat tidak dapat lepas dari perkembangan teknologi informasi yang memungkinkan data dalam jumlah besar terakumulasi. Sebagai contoh, toko swalayan merekam setiap penjualan barang dengan memakai alat POS(point of sales). Database data penjualan bisa mencapai beberapa GB setiap harinya untuk sebuah jaringan toko swalayan berskala nasional.

4.3 Pengujian Terhadap Waktu Proses Integrasi

Tabel 1. Hasil Pengujian Waktu

Untuk mendapatkan hasil uji coba yang terbaik mengenai lama proses clustering

dan proses integrasi keseluruhan yang dilakukan sistem maka perlu dilakukan uji coba terhadap berbagai dokumen yang beda. Dari dokumen yang berbeda-beda tersebut yang perlu diperhatikan adalah dari segi jumlah dokumen yang diintegrasi, jumlah paragraf dari setiap dokumen asli, dan jumlah kalimat dari setiap dokumen asli. Pengujian waktu proses ini diujikan dengan keadaan hardware dan software sebagai berikut : Processor Intel Pentium Dual Core

T2390 1,86 Ghz, RAM 1 GB. Hasil pengujian

sistem terhadap waktu dapat dilihat pada tabel 1.

4.4 Evaluasi Relevansi Sistem

Pengujian ini dilakukan dengan cara meminta bantuan 100 orang responden yang merupakan mahasiswa Jurusan Ilmu Komputer Universitas Udayana untuk membaca dokumen – dokumen asal yang berjenis eksposisi dan narasi serta membaca dokumen hasil integrasi, kemudian menjawab 3 pertanyaan berikut:

1) Menurut anda, apakah kata-kata pada dokumen hasil integrasi tersebut telah terorganisir dengan baik (tiap paragraf memberikan arti yang jelas dan dapat dipahami) ? A. Ya B. Tidak

2) Menurut anda, apakah dokumen hasil integrasi tersebut telah memberikan gambaran secara umum dari keseluruhan dokumen yang ada sebelumnya ? A. Ya B. Tidak

3) Menurut anda, apakah dokumen hasil integrasi dapat memberikan informasi - informasi penting yang terdapat pada dokumen sebelumnya secara jelas? A. Ya B. Tidak

Berdasarkan hasil survei relevansi didapatkan kesimpulan bahwa sistem akan bekerja lebih baik pada dokumen yang bertipe eksposisi dibandingkan dengan dokumen yang bertipe narasi. Dimana lebih dari 75 persen mengatakan bahwa hasil integrasi dokumen yang bertipe eksposisi dapat mewakili dokumen asli, memiliki susunan antar paragraf yang jelas, dan tetap mengandung informasi penting dari dokumen awal.

5. KESIMPULAN DAN SARAN 5.1 Kesimpulan

 Secara umum sistem automated

document integration dapat dibagi

menjadi dua subsistem yaitu subsistem

pre-integration dan subsistem

integration. Adapun proses yang

termasuk dalam subsistem

pre-integration adalah proses devide to

word, proses stopword removal, proses stemming, dan proses perhitungan kesamaan. Proses integrasi dokumen berada dalam subsistem integration menggunakan algoritma complete linkage agglomerative hierarchical clustering

ISSN : 1979-5661 -9- yang sebelumnya didahului dengan proses pembobotan kalimat dengan metode TF-IDF(term

frequency-inverse document frequency) dan

pembobotan relasi antar kalimat.

 Hasil dari pengujian terhadap waktu dari proses integrasi dan proses

hierarchical clustering, menunjukkan

bahwa semakin banyak dokumen paragraf dan kalimat yang yang diproses maka akan membutuhkan

running time yang semakin besar pula.

 Berdasarkan hasil survei relevansi sistem kepada 100 orang responden, didapatkan kesimpulan bahwa sistem akan bekerja lebih baik pada dokumen yang bertipe eksposisi dibandingkan dengan dokumen yang bertipe narasi. Dimana lebih dari 75 persen mengatakan bahwa hasil integrasi dokumen yang bertipe eksposisi dapat mewakili dokumen asli, memiliki susunan antar paragraf yang jelas, dan tetap mengandung informasi penting dari dokumen awal.

5.2 Saran

 Sistem automated document

integration memiliki kelemahan dalam

menentukan urutan dokumen yang diintegrasi. Dalam sistem automated

document integration ini urutan

dokumen ditentukan berdasarkan tingkat kesamaannya dengan metode

cosine similarity. Padahal cosine

similarity merupakan metode yang

bersifat simetris, sehingga tidak dapat menentukan suatu urutan. Untuk pengembangan selanjutnya disarankan agar menggunakan metode pengukuran kesamaan yang asimetris.

 Pada pengembangan selanjutnya, sistem dapat dikembangkan untuk melakukan integrasi dokumen-dokumen dengan bahasa lain, tidak terbatas pada dokumen yang berbahasa Indonesia saja.

 Pada pengembangan selanjutnya, sistem dapat dikembangkan dengan menggunakan algoritma lain sehingga dapat mengintegrasi dokumen narasi dengan baik, disamping itu juga dapat diteliti hasilnya dalam mengintegrasi

jenis dokumen selain dokumen berjenis eksposisi dan narasi.

6. DAFTAR PUSTAKA

Agusta, Ledy. 2009. Perbandingan Algoritma Stemming Porter Dengan Algoritma Nazief & Adriani Untuk Stemming

Dokumen Teks Bahasa Indonesia.

Bali : Fakultas Teknologi Informasi Universitas Kristen Satya Wacana. Budhi, Gregorius S, Arlinah I. Rahardjo, dan

Hendrawan Taufik. 2008.

Hierarchical Clustering Untuk

Aplikasi Automated Text Integration.

Surabaya : UK Petra Jurusan Teknik Informatika.

Budhi, Gregorius S, Ibnu Gunawan dan Ferry Yuwono. 2005. Algoritma Porter Stemmer For Bahasa Indonesia Untuk Pre-Processing Text Mining Berbasis Metode Market Basket

Analysis. Surabaya : UK Petra

Jurusan Teknik Informatika.

Hamzah, Amir. 2009. Temu Kembali Informasi Berbasis Kluster Untuk Sistem Temu Kembali Informasi Teks

Bahasa Indonesia. Yogyakarta :

Jurusan Teknik Informatika, Fakultas Teknologi Industri Institut Sains & Teknologi AKPRIND.

Hartini, Entin. 2004. Metode Clustering

Hirarki. Pusat Pengembangan

Teknologi dan Komputasi Batan. Intan, Rolly dan Andrew Defeng. 2005.

HARD: Subject-based Search Engine

menggunakan TF-IDF dan Jaccard’s

Coefficient. Surabaya : UK Petra

Jurusan Teknik Informatika.

Kendall, Kenneth E dan Julie E. Kendall. 2006. Analisis dan Perancangan

Sistem.Edisi kelima. Indeks. Jakarta.

Mandala, Rila dan Hendra Setiawan. 2002. Peningkatan Performansi Sistem Temu-Kembali Informasi dengan Perluasan Query Secara Otomatis. Bandung : Departemen Teknik Informatika Institut Teknologi Bandung.

Pramudiono, Iko. 2003. Pengantar Data

Mining: Menambang Permata

Pengetahuan di Gunung Data.

ISSN : 1979-5661 -10- Pressman, Roger S. 2005. Software

Engineering A practitioner’s

Approach Sixth Edition. New York :

Mc-Graw-Hill.

Sjobergh, Jonas dan Kenji Araki. 2005.

Extraction Based Summarization Using Shortest Path Algorithm.

Sweden : KTH Nada.

Soebroto dan Arief Andy. 2005. Hybrid

Average Complete Clustering

sebagai Algoritma Kompromi antara Kualitas dan Waktu Komputasi

Proses Clustering. Surabaya : Institut

Teknologi Sepuluh November. Steinbach, Michael, George Karypis dan Vipin

Kumar. 2005. A Comparisont of Document Clustering Techniques.

Minnesota : University of Minnesota, Department of Computer Science and Engineering.

Tan, P. N., M. Steinbach dan V. Kumar. 2005. Introduction to Data Mining. New York : Addison Wesley.

ISSN : 1979-5661 -11-

SISTEM PENDUKUNG KEPUTUSAN DALAM PEMILIHAN TEMPAT KOST DENGAN METODE PEMBOBOTAN

( STUDI KASUS : SLEMAN YOGYAKARTA)

ABSTRAK

Penentuan tempat tinggal di daerah yang baru dikenal dipengaruhi oleh banyak factor, diantaranya lokasi, fasilitas, sistem kontrak dan harga. Makalah ini menentukan kriteria-kriteria yang digunakan didalam pemilihan tempat tinggal. kriteria-kriteria tersebut dianalisis menggunakan metode pembobotan. Hasil analisis yang didapat berupa kriteria lokasi untuk menentukan tempat kost yang paling sesuai.

Kata kunci: Pembobotan, kriteria, analisis

ABSTRACT

Determination of residence in the newly recognized influenced by many factors, such as location, facilities, contracts and pricing. This paper determines the criteria used in the selection of a place to stay. criteria were analyzed using the methods of weighting. The results of the analysis are obtained in the form of criteria to determine the location of the most appropriate place of boarding.

Keywords: Weighting, criteria, analysis

1. PENDAHULUAN

Persoalan pengambilan keputusan pada dasarnya adalah bentuk pemilihan dari berbagai altrenatif tindakan yang mungkin dipilih yang prosesnya melalui mekanisme tertentu, dengan harapan akan menghasilkan sebuah keputusan yang terbaik. Penyusunan model keputusan adalah suatu cara untuk mengembangkan hubungan-hubungan yang logis yang mendasari persoalan keputusan ke dalam suatu model matematis, yang mencerminkan hubungan yang terjadi di antara faktor-faktor yang terlibat, sehingga proses keputusan harus diambil melalui proses yang bertahap, sistematik, konsisten dan diusahakan dalam setiap langkah melalui dari awal telah mengikutsertakan dan mempertimbangkan berbagai faktor.

Demikian juga halnya dengan pemilihan kost bagi mahasiswa yang menuntut ilmu di jogjakarta. Terkadang mahasiswa yang tidak mengetahui daerah jogjakarta tentunya akan menemui banyak kesulitan ataupun banyak kendala dalam memilih tempat kost. Penentuan tempat kost mana yang harus dipilih oleh mahasiswa dipengaruhi oleh banyak faktor, diantaranya lokasi, fasilitas, sistem kontrak dan harga. Makalah ini bertujuan untuk mencari kriteria-kriteria yang digunakan didalam memilih kost oleh mahasiswa yang kuliah dijogjakarta. Kriteria-kriteria tersebut dianalisis menggunakan sistem pembobotan. Hasil analisis yang didapat dengan menjumlahkan hasil seluruh kriteria dan membagi dengan banyaknya kriteria .

I Wayan Supriana

Program Pascasarjana Ilmu Komputer Fakultas MIPA Universitas Gadjah Mada Skip Utara, Yogyakarta, 55281

ISSN : 1979-5661 -12- 2. METODE PENELITIAN

Metode pembobotan yang digunakan dalam sistem ini adalah pembobotan secara langsung, artinya pengguna langsung memberikan bobot pada setiap kriteria dalam skala tertentu. Bobot yang telah diinput kemudian dinormalisasi untuk mendistribusikan nilai kepada seleruh kriteria sehingga jika semua bobot kriteria diproses oleh sistem akan menghasilkan satu nilai sebagai pertimbangan keputusan bagi pengguna.

Menurut Simon dalam buku Komputerisasi Pengambilan Keputusan. Proses pengambilan keputusan melalui tahapan:

1.1. Tahap Penelusuran (intelligence)

Dalam perancangan yang dilakukan melahirkan rumusan masalah berupa sistem pendukung keputusan pemilihan tempat kost berdasarkan kriteria dari pemlih.

1.2. Tahap Perancangan (Design)

Setelah perumusan masalah, dilanjutkan dengan penetapan kriteria-kriteria yang dipakai dalam memilih tempat kost.

1.3. Tahap Pemilihan (Choice)

Dengan mengacu pada kriteria-kriteria penilaian yang telah ditetapkan, dibuat model-model penilaian secara matematis.

1.4. Tahap Implementasi (Implementation) Struktur Sistem Pendukung Keputusan diimplementasikan dengan bahasa pemrograman Poxpro. Sedangkan komponen-komponen Sistem Pendukung Keputusan yang digunakan adalah:

1. Subsistem manajemen data, menyediakan data bagi sistem yang berasal dari data internal dan eksternal.

2. Subsistem manajemen model, berfungsi sebagai pengelola berbagai model

3. Subsistem antar muka pengguna, merupakan fasilitas yang mampu mengintegrasikan sistem terpasang dengan pengguna secara interaktif.

Perancangan basis data sistem pendukung keputusan yang akan memberikan pemahaman secara keseluruhan berupa hubungan antar obyek data, aliran informasi dan transformasi dari data input manjadi output yang digambarkan secara grafik berupa entitas relationship diagram flow.

3. PERANCANGAN SISTEM

3.1. Model dan Bobot Penilaian Sistem Pendukung Keputusan

Model (kriteria) sistem pendukung keputusan pemilihan tempat tinggal/kost dibuat dalam 4 jenis kriteria yaitu : model lokasi, model fasilitas, model sistem kontrak rumah dan model harga. Dimana masing-masing model tersebut memiliki beberapa elemen yang akan menentukan hasil akhir sistem pendukung keputusan yang akan digunakan oleh para pengguna dalam menentukan suatu keputusan. Setiap elemen bobot penilaian yang berbeda-beda tergantung dari hasil jenis model.

Batasan penilaian dimulai dari 10 sebagai

range terendah sampai dengan 100 sebagai

range tertinggi, sehingga pada akhirnya

kelayakan pemilihan tempat tinggal/kost diukur dengan nilai sebagai : 80-100 kategori diterima oleh pengguna untuk ditempati, 60-79 kategori dipertimbangkan apakah ditempati atau tidak, 0-59 kategori ditolak artinya tidak layak ditempati.

Bobot penilaiannya sudah ditentukan berdasarkan kriteria yang telah ditetapkan oleh peneliti dengan bersumber pada hasil penelitian, namun hal ini untuk seterusnya bisa diadakan perubahan-perubahan searah dengan tuntutan kebutuhan. Bahwa sistem pada proses penilaiannya mengacu kepada pemenuhan kriteria-kriteria yang telah ditetapkan serta mengacu pada beberapa kasus yang telah terjadi, sehingga benar-benar mempunyai tolak ukur yang baik.

3.2.Perancangan Basis Data

Perancangan basis data digunakan untuk mendukung fasilitas pengolahan data, dimana model yang digunakan dalam perancangan basis data adalah model E-R (

Entity-Relationship), berikut adalah ER dari sistem

pendukung keputusan pemilihan tempat kost di jogjakarta.

ISSN : 1979-5661 -13-

3.3.Perancangan Basis Model

Dalam mendukung proses pengambilan keputusan, digunakan model pembobotan yang dibangun untuk menentukan prioritas tempat tinggal dalam menghasilkan keluran sistem secara keseluruhan melakukan langkah-langkah sebagai berikut:

a. Input nilai kriteria masing-masing model b. Input bobot masing-masing kriteria c. Hitung normalisasi dari bobot

NK =

n

BBT

x

SBK

n i

%

)

(

1





Nilai akhir = n

NK



Dimana SBK : Kriteria BBT : Bobot kriteria

NK : Nilai kriteria

Rancangan model untuk mengevaluasi pemilihan tempat tinggal adalah sebagai berikut:

1. Kriteria lokasi

Model lokasi dimaksudkan untuk menentukan kenyamanan tempat tinggal yang akan di ditempati oleh mahasiswa serta berapa besar nilai dari masing-masing point tersebut. Dengan pemberian nilai mulai dari terkecil 10 sampai terbesar 100.

Tabel 1. Kriteria lokasi

No Kriteria Lokasi Nilai Bobot 1 Dekat kampus 100

80 % 2 Dekat jalan raya 80

3 Dekat tempat peribadahan

60 4 Dekat teman

sedaerah

40 5 Dekat rumah makan 20 6 Dekat tempat

hiburan

10

Nilai lokasi adalah:

333 , 41 6 ) 8 , 0 10 ( ) 8 , 0 20 ( ) 8 , 0 40 ( ) 8 , 0 60 ( ) 8 , 0 80 ( ) 8 , 0 100 (      

 x x x x x x

2. Kriteria fasilitas

Model fasilitas dimaksudkan untuk menentukan fasilitas yang didapatkan di tempat kost dan berapa besar nilai dari masing-masing point tersebut. Dengan pemberian nilai mulai dari terkecil 20 sampai terbesar 100.

Tabel 2. Kriteria fasilitas

No Kriteria Fasilitas Nila i

Bobo t 1 Tempat tidur 100

70 % 2 Meja belajar 90

3 Lemari pakaian 80 4 Kamar mandi dalam 70 5 Kamar mandi luar 60

6 Dapur 40

7 Ruang tamu 20 Nilai fasilitas adalah:

46 7 ) 7 , 0 20 ( ) 7 , 0 40 ( ) 7 , 0 60 ( ) 7 , 0 70 ( ) 7 , 0 80 ( ) 7 , 0 90 ( ) 7 , 0 100 (       

 x x x x x x x

3. Kriteria sistem kontrak

Model sistem kontrak dimaksudkan untuk menentukan sistem pembayaran tempat tinggal. Dengan pemberian nilai mulai dari terkecil 40 sampai terbesar 100. Tabel 3. Kriteria sistem kontrak

N o

Sub Kriteria Sistem kontrak

Nila i

Bobo t 1 Tahunan 100

50% 2 Enam bulan 80

3 Tiga bulan 60

4 Bulanan 40

Nilai sistem kontrak adalah:

35 4 ) 5 , 0 40 ( ) 5 , 0 60 ( ) 5 , 0 80 ( ) 5 , 0 100 (    



x x x x

4. Kriteria harga

Model harga dimaksudkan untuk menentukan harga dari tempat tinggal. Model ini terdiri dari 4 kriteria yaitu tahunan, enam bulanan, tiga bulanan, dan bulanan. Persentase nilai dari model harga ditentukan berdasarkan hal-hal sebagai berikut.

Tabel 4. Kriteria harga tahunan No Kriteria Harga

tahunan

Nilai Bobot 1 0 - 2.000.000 100

40% 2 2.001.000 -

2.500.000

80 3 2.501.000 -

3.000.000

60

ISSN : 1979-5661 -14- 32 3 ) 4 , 0 60 ( ) 4 , 0 80 ( ) 4 , 0 100 (   



x x x

Tabel 5. Kriteria harga enam bulanan No Kriteria Harga

enam bulan

Nilai Bobo t 1 0 - 1.050.000 80

30 % 2 1.051.000 -

1.300.000

60 3 1.301.000 -

1.550.000

40

Nilai model enam bulanan adalah: 18 3 ) 3 , 0 40 ( ) 3 , 0 60 ( ) 3 , 0 80 (   



x x x

Tabel 6. Kriteria harga tiga bulanan No Kriteria Harga tiga

bulan

Nila i

Bobo t 1 0 - 550.000 70

20% 2 551.000 - 675.000 50

3 676.000 - 6 800.000

30

Nilai kriteria tiga bulanan adalah: 10 3 ) 2 , 0 30 ( ) 2 , 0 50 ( ) 2 , 0 70 (   



x x x Tabel 7. Kriteria harga bulanan No Kriteria

Harga Bulanan

Nilai Bobot

1 0 - 200.000 60

10% 2 201.000 -

250.000

40 3 251.000 -

300.000

20

Nilai kriteria harga nulanan adalah: 4 3 ) 1 , 0 20 ( ) 1 , 0 40 ( ) 1 , 0 60 (   



x x x

Total nilai kriteria harga = ₁₆

4 4 10 18 32    



Proses perhitungan keseluruhan model berdasarkan rumus dari pembobotan yang di jelaskan di depan adalah sebagai berikut : Nilai akhir adalah:

30 , 30 4 16 35 46 33 , 41    



Berdasarkan nilai akhir yang didapat yaitu 30,30 dimana rentang nilai tersebut <=59 yang artinya tempat kost tersebut tidak dipilih.

3.4.Perancangan Basis Dialog

Rancangan dialog dari sistem pendukung keputusan bertujuan untuk memudahkan terjadinya interaksi antara pengguna dengan sistem, dimana rancangan dialognya menggunakan gaya menu dengan strukturnya seperti gambar berikut ini:

Menu Utama Menu Model Input Model Menu Kriteria Edit Model Hapus Model Input Model Edit Model Hapus Model Laporan Hasil Seleksi Menu Tambahan Informasi Keluar Aplikasi

Gambar 2. Struktur Dialog

3.5.Perancangan Dialog Output Pemilihan Tempat Kost di Yogyakarta

Rancangan dialog output yang dihasilkan oleh sistem berupa laporan penilaian per model, seperti ditunjukkan gambar berikut:

ISSN : 1979-5661 -15- 4. IMPLEMENTASI MODEL

4.1.Menu Utama

Menu utama ditampilkan agar seseorang mengetahui seluruh menu dan sub menu yang ada di dalam sistem aplikasi dimana pengguna dapat memilih menu-menu yang ditampilkan oleh aplikasi.

Gambar 4. Menu Utama

4.2.Menu Input Model

Menu input model digunakan untuk memasukkan model atau kriteria-kriteria dari sistem pemilihan kost. Di dalam menu ini ada beberapa fitur yaitu simpan, batal, keluar dan tampil data. tampil data berisi kriteria-kriteria yang sudah terdapat di dalam sistem.

Gambar 5. Menu Input Model

4.3.Menu Edit Model

Menu edit model digunakan untuk memperbaiki model atau kriteria yang telah diinputkan apabila terjadi perubahan pada model yang ada.

Gambar 6. Menu Edit Model

4.4.Menu Hapus Model

Menu hapus model digunakan untuk menghapus model yang telah diinputkan, apabila model yang dimaksudkan tidak sesuai dengan kelayakan penilaian pemilihan tempat kost.

Gambar 7. Menu Hapus Model

4.5.Menu Input Kriteria

Menu input kriteria digunakan untuk menginput nilai masing-masing kriteria beserta bobot dari model yang digunakan.

Gambar 8. Menu Input Kriteria

4.6.Menu Edit Kriteria

Menu edit kriteria digunakan untuk mengedit kriteria yang di dalam pemasukkan

ISSN : 1979-5661 -16- datanya ada kesalahan baik terhadap nilai, bobot dan nama sub kriteria.

Gambar 9. Menu Input Kriteria

4.7.Menu Hapus Kriteria

Menu hapus kriteria digunakan untuk menghapus kriteria yang didalam pemilihan tempat kost tidak sesuai dengan kriteria pemilihan

Gambar 10. Menu Hapus Kriteria

4.8.Menu Lapotan Sistem

Menu laporan didasarkan atas kebutuhan informasi yang telah diidentifikasi pada tahap penentuan syarat-syarat informasi. Laporan yang dihasilkan oleh sistem yaitu laporan penentuan pemilihan tempat kost bagi mahasiswa yang nantinya menentukan apakah seorang mahasiswa memilih tempat kost, mempertimbangkan atau menolak kost tersebut.

5. KESIMPULAN

Konsep rancangan sistem pendukung keputusan penentuan tempat tinggal atau kost diharapkan menjadi acuan bagi pengembangan sistem nantinya atau computer base system.

Dari beragamnya tempat kost yang ada didaerah Yogyakarta diharapkan dapat membantu mahasiswa dalam menentukan tempat kost yang layak sesuai dengan keinginan dari mahasiswa tersebut.

6. DAFTAR PUSTAKA

[1]Alter, S.L., 1980, Decision Support System:

Current Practice and Continuing

Challenge, Reading, MA:

Addision-Wesley

[2]Kosasih, S., 2002, Sistem Pendukung

Keputusan, Proyek Peningkatan Penelitian

Tinggi Direktorat Jendral Pendidikan Tinggi Departemen Pendidikan Nasional [3]Little, J. D.C., 1970, Model and Managers:

The Concept of a Calculus, Management

Science, vol.16, no.8

[4]Turban, 2005, Decision Support System

and Intelligent System (Terjemahan: Sitem

Pendukung Keputusan dan Sistem Cerdas) Jilid 1, Andi Offset, Yogyakarta.

ISSN : 1979-5661 -17-

SISTEM TUTORIAL MATEMATIKA DISKRET DALAM MENUNJANG PROSES BELAJAR BERBASIS KOMPETENSI

I Gede Santi Astawa

Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana

Email : Santi.astawa@cs.unud.ac.id

ABSTRAK

Matematika Diskret merupakan salah satu mata kuliah yang cukup ditakuti oleh mahasiswa. Rasa takut dan malu inilah yang seringkali menjadi hambatan dalam proses belajar mengajar di kelas, karena mahasiswa cenderung untuk diam. Hal ini sangat bertentangan dalam system pembelajaran berbasis KBK, dimana peran aktif mahasiswa menjadi point utama penilaian.

Sebuah aplikasi komputer yang mampu memberikan tutorial matematika diskret kepada mahasiswa menjadi sangat dibutuhkan, karena dengan menggunakan aplikasi ini mahasiswa dapat belajar dan menguji kemampuan dalam mata kuliah matematika diskret secara mandiri.

Dari hasil pengujian, kelompok mahasiswa yang menggunakan system tutorial berbasis computer cenderung memiliki nilai (tingkat pemahaman) yang lebih baik dibandingkan dengan kelompok mahasiswa yang hanya diberikan pembelajaran di kelas.

Kata kunci— Matematika Diskret, KBK, aplikasi komputer.

1. PENDAHULUAN

Kecemasan siswa merupakan salah satu faktor penting yang mempengaruhi hasil belajar siswa[1]. Beberapa hal berpengaruh pada kecemasan dalam diri siswa, seperti tegang saat mengerjakan soal atau saat kelas dimulai, pesimis akan kemampuannya, khawatir jika hasil pekerjaannya buruk, dan juga ketakutan akan ditertawakan oleh teman yang lainnya [2,3]. Kecemasan juga muncul dari faktor di luar diri siswa, seperti: cerita buruk mengenai suatu mata pelajaran,sikap guru, dan juga tingkat persaingan di kelas yang siswa rasakan[1].

Metode belajar mandiri berbantuan komputer dalam proses pembelajaran dikembangkan untuk mengatasi permasalahan kecemasan siswa dalam belajar di kelas. Kombinasi metode kecerdasan buatan, pengetahuan kognitif, dan teknologi modern pada proses pembelajaran akan menghasilkan sebuah sistem pembelajaran yang efektif yang selanjutnya dikenal dengan istilah

Intelligent Computer-Aided Instruction

(ICAI)[4]. Pada beberapa penelitian ICAI

dihubungkan dengan sistem yang meggunakan konten pembelajaran dan strategi pengajaran

sebagai basis data pengetahuan, kemudian menggunakan penalaran berdasarkan pemahaman siswa untuk secara dinamis melakukan adaptasi pada proses pembelajaran, sistem ini dikenal dengan sistem tutorial adaptif [5,6].

Selain berfungsi sebagai alat bantu dalam belajar, bahan pembelajaran berbasis Komputer juga memiliki karakteristik tersendiri. Menurut Slamet Suyanto. Ciri-ciri bahan pembelajaran berbasis komputer adalah sebagai berikut :

1. Sistemik, Bahan pembelajaran berbasis

komputer disusun secara sistemik dan terstruktur. Selain itu pengembangan pembelajaran berbasis komputer juga mempertimbangkan penyusunan peta konsep keilmuwan. Beberapa pilihan yang dapat digunakan dalam menyusun peta konsep, mulai dari konsep mudah ke sulit sampai dengan umum ke khusus, hal ini tergantung dari kebutuhan yang diinginkan.

2. Jelas dan Menarik, Pemaparan konsep yang

jelas dan tampilan yang menarik merupakan hal pokok dalam pembelajaran berbasis komputer. Penggunaan bahasa yang lugas, tidak enterpretatif, penggunaan ilustrasi yang

ISSN : 1979-5661 -18- jelas dan detail juga termasuk syarat mutlak dalam pengembangan pembelajaran berbasis komputer.

3 Mudah digunakan, Sebagian besar produk

pembelajaran berbasis komputer sangat mudah digunakan, meskipun bagi orang awam sekalipun. Dengan petunjuk penggunaan yang jelas dan memiliki pola logika yang konkrit menjadikan produk PBK mudah dipahami.

4 Mudah diperbaiki, Produk pembelajaran

berbasis komputer juga mudah diperbaiki. Penambahan, pengurangan, dan revisi terhadap isi produk sangat mudah dilakukan. Berbeda halnya dengan bahan cetak, setelah mengalami proses pencetakkan bahan ajar cetak sulit untuk direvisi secara langsung, melainkan harus melakukan pencetakan ulang. Dengan semakin pesatnya perkembangan teknologi, fitur-fitur yang terdapat dalam fasilitas program juga semakin berkembang. Sehingga semakin memudahkan dalam pengeditan produk PBK.

5. Mudah disebarluaskan, Bahan ajar berbasis

komputer sangat mudah untuk disebarluaskan, salah satunya adalah penyebaran menggunakan media internet. 2. METODE PENELITIAN

Langkah-langkah dalam penelitian ini adalah 1. Studi Pustaka, dengan membaca beberapa

jurnal atau hasil penelitian terkait, sahingga aplikasi yang dibuat memiliki arah dan tujuan yang pasti.

2. Analisa kebutuhan system, dilakukan dengan membaca materi-materi pada buku matematika diskret, membuat diagram keterkaitan materi, dan mencari sifat-sifat dari materi.

3. Perancangan system, disesuaikan dengan kesimpulan pada tahap analisa kebutuhan system

4. Aplikasi, system diaplikasikan pada bahasa pemrograman Delphi, dengan database paradox.

5. Pengujian, pengujian dilakukan dengan membagi mahasiswa menjadi dua kelompok pada satu sub bahasan matematika diskret, dimana satu kelompok ditugaskan untuk mencoba system tutorial yang sudah dibuat, dan kelompok lain hanya diberikan pembelajaran dikelas saja. Selanjutnya diadakan sebuah test kecil untuk melihat

tingkat pemahaman siswa pada sub bahasan tersebut.

3. DESAIN SISTEM TUTORIAL

Proses belajar dalam penelitian ini dibagi menjadi empat tahap, yaitu:

1. Tahap membaca, pada tahap ini diberikan materi bacaan, dan siswa diminta menjawab pertanyaan bacaan.

2. Tahap pemahaman materi, pada tahap ini materi bacaan dihilangkan dan siswa diminta menjawab pertanyaan yang berhubungan dengan materi.

3. Tahap contoh soal, pada tahap ini diberikan tiga tipe soal contoh yang lebih bersifat hitungan. Pada tahap ini, apabila jawaban siswa salah, maka sistem akan menanyakan data-data tentang apa yang diketahui atau ditanyakan pada soal tersebut, dan menyiapkan soal dengan tipe yang sama. Tahap ini bertujuan untuk melatih kemampuan siswa dalam menganalisa soal. 4. Tahap latihan soal, pada tahap ini diberikan

beberapa soal yang lebih bersifat hitungan. Tahap ini bertujuan untuk mengetahui tingkat pencapaian siswa pada materi pelajaran yang sedang dipelajari.

Adaptasi pertama dilakukan pada tahap membaca, dengan menggunakan nilai dan waktu untuk menjawab sebagai faktor kelulusan,

apabila siswa dalam tahap ini tidak dapat mencapai batas bawah kelulusan maka sistem akan memberikan materi dan pertanyaan dengan level yang lebih mudah terlebih dahulu sebelum nantinya kembali ke level semula. Terdapat tiga level materi atau soal pada tahap ini yaitu:

 Materi dengan lebih banyak contoh-contoh atau pertanyaan-pertanyaan bacaan yang jawabannya merupakan pengulangan dari materi atau contoh yang sudah ada (level rendah).

 Materi dengan beberapa contoh-contoh atau pertanyaan-pertanyaan bacaan yang sedikit berbeda dengan materi atau contoh yang diberikan (level sedang).

 Materi dengan beberapa contoh atau pertanyaan-pertanyaan bacaan yang jawabannya memerlukan pemahaman maksud dari materi atau contoh yang diberikan (level tinggi).

Selanjutnya dirancang desain sistem berbasis komputer yang diharapkan dapat membantu mahasiswa dalam mempelajari cara-cara

ISSN : 1979-5661 -19- penyelesaian kasus materi pencacahan pada matakuliah matematika diskret. Langkah pertama akan disusun rencangan data flow diagram

(DFD) dari sistem yang akan dibuat sebagai berikut:

Gambar 1. DFD level 0 sistem tutorial matematika diskret

Dan juga dirancang basis data yang akan digunakan dalam system tutorial, basis data ini pada dasarnya digunakan untuk menyimpan berbagai file yang menyangkut materi belajar, soal-jawaban, hint-hint, dan juga menyimpan file pribadi pengguna system seperti gambar 2.

Rancangan sistem di atas, diimplementasikan pada bahasa pemrograman Delphi 6.0. Bahasa pemrograman Delphi dipilih karena sudah mendukung sistem basis data dengan baik, dan dapat berjalan dengan baik dalam lingkungan sistem operasi Windows XP dan Windows 7 yang dewasa ini banyak digunakan di lingkungan sekolah.

Gambar 2. ERD basis data sistem

0 Sistem Tutorial Matematika

Diskret

Sis wa

Gu ru

Admi n Passwor

jawaban Pertanyaan/ materi

Password, materibaru Data siswa, datamateri Data siswa,

data materi, data aturan

Password, aturanbaru

syarat

materi

Langkah jawab soal Test pendalaman

n m

1 n

1

n

1

n 1

1

Kode nama

Kode nama Kode

soal

jawa

Kode soal

Kode soa jawa rum

Langka

Langka Langka

Langka

Contoh Soal rumus

Variable Variable

memiliki

memiliki

memiliki

memiliki

Soal ujian memiliki

n 1

Kode _soa

jawa memiliki

ISSN : 1979-5661 -20- 4. HASIL DAN PEMBAHASAN

Pengujian system yang akan dilakukan bertujuan untuk mengetahui efektifitas penggunaan system tutorial ini bagi mahasiswa dalam belajar metode pencacahan dalam kuliah matematika diskret. Untuk itu pengujian akan melibatkan 60 orang mahasiswa, dimana 30 mahasiswa dipilih secara acak untuk mencoba sistem yang sudah dibuat. Akan diambil dua nilai test, yaitu test pendahuluan (sebelum mencoba sistem) dan test akhir (setelah selesai mencoba system), analisis statistika akan digunakan untuk menarik kesimpulan dari dua kelompok data yang diperoleh. Sampai saat ini peneliti sudah memberikan test pendahuluan kepada 60 orang mahasiswa yang diambil secara acak dari 97 orang mahasiswa jurusan Ilmu Komputer UNUD angkatan 2012 yang sedang mengambil matakuliah matematika diskret. Gambar 3 dibawah adalah sebaran hasil pretest dan pemilihan subyek penelitian yang dilakukan oleh peneliti, pemilihan diambil secara acak dari golongan mahasiswa dengan hasil pretest rendah, sedang dan tinggi, sehingga diharapkan kondisi awal kedua kelompok mahasiswa yang akan dikenai perlakuan pada saat penelitian adalah sama.

Gambar. 3. Hasil Pretest seluruh mahasiswa Dari gambar 3 terlihat bahwa nilai pretest tertinggi adalah 63, nilai pretest terendah adalah 15,sedangkan rata-rata perolehan 60 mahasiswa adalah 30,0667. Langkah selanjutnya peneliti membagi subyek penelitian menjadi dua bagian dengan sebaran nilai pretest masing-masing kelompok adalah

Gambar . 4. Perbandingan hasil pretest dua kelompok subyek penelitian

Kelompok pertama adalah kelompok yang diberikan perlakuan belajar di kelas, dengan lebih banyak melakukan pembahasan soal (rata-rata pretest 31,6333), sedangkan kelompok kedua (rata-rata pretest 30,5) merupakan kelompok yang selanjutnya diberikan kesempatan memakai system tutorial yang sudah dirancang.

Dari hasil pretest yang dilakukan, didapatkan hasil perbandingan nilai posttest dan pretest dari masing-masing mahasiswa pada kedua kelompok adaah sebagai berikut:

Gambar . 5. Perbandingan Pretest dan Postest kelompok I

0 10 20 30 40 50 60 70

1 5 9 13 17 21 25 29 33 37 41 45 49 53 57

Hasil Pretest 60 Mahasiswa

0 10 20 30 40 50 60 70

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 data1

data2

0 10 20 30 40 50 60 70 80

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

data1 pretest data1 postest

ISSN : 1979-5661 -38-

arti. Proses tokenization dapat dilihat pada

Gambar 1.

Ilmu komputer memerlukan logika. Jadi asahlah logika

Ilmu komputer memerlukan logika. Jadi asahlah logika

... ...

ilmu komputer perlu logika jadi asah logika ...

Dokumen

Tokens

Term

Gambar 1. Proses

Tokenization

Kata-kata yang didapat kemudian melalui proses stemming yaitu penghapusan

imbuhan (awalan, akhiran serta

awalan+akhiran) sehingga didapatkan kata dasarnya. Disamping penghapusan imbuhan, kata-kata tersebut juga dibandingkan dengan daftar kata yang dianggap tidak penting dan

sering muncul (stop words) seperti ke, yang,

dan, dengan dan lain sebagainya. Kata-kata

pada dokumen yang diproses yang termasuk

ke dalam daftar stop words tidak akan

dimasukkan ke dalam kamus. Kata dasar yang berhasil melalui proses stemming dan stop words inilah yang dimasukkan ke dalam kamus. Kamus juga menyimpan total jumlah dokumen dimana masing-masing kata muncul. Sedangkan informasi dokumen mana saja yang mengandung suatu kata pada kamus disimpan

pada posting list (Gambar 2). Posting list

merupakan suatu struktur data berupa senarai

(linked list) yang menyimpan dokumen ID

dimana suatu kata pada kamus tersebut muncul. Dokumen ID disini merupakan suatu penanda unik yang biasanya berupa angka.

Gambar 2.

Dictionary

dan

Posting

Pembentuk

Inverted Index

Jika kumpulan dokumen yang

digunakan untuk membangun sistem temu

kembali informasi ini berjumlah 1000

dokumen maka dokumen ID yang digunakan bisa dimulai dari 1 sampai dengan 1000. Satu posting dalam posting list berisikan informasi dokumen ID serta satu pointer yang menuju ke posting berikutnya. Dengan adanya kamus dan posting list ini maka data awal yang dibutuhkan untuk membangun sistem temu

kembali informasi telah tersedia.

Permasalahan berikutnya yang muncul adalah bagaimana cara memberikan nilai kesamaan

untuk suatu dokumen terhadap query yang

diberikan pengguna. Konsep yang digunakan dalam pembuatan peringkat ini adalah model ruang vektor.

3. MODELRUANGVEKTOR

a. Term Frequency (tf)

Term frequency (tft,d) dari suatu term (t) pada dokumen (d) didefinisikan sebagai jumlah kemunculan dari t pada d. Untuk dapat menggunakan nilai tft,d dalam proses

pembuatan peringkat maka harus

diperhatikan beberapa hal yaitu: suatu dokumen A dimana t muncul sebanyak 10

kali adalah lebih relevan terhadap query

pengguna dibandingkan dokumen B

dimana t muncul hanya sekali. Walaupun demikian tidak berarti bahwa dokumen A

10 kali lebih relevan dibandingkan

dokumen B terhadap query tersebut.

Dengan pertimbangan tersebut maka pada

proses pemberian peringkat biasanya

digunakan log frequency weight dari t pada

d yang dihitung sebagai berikut:

{

Dengan menggunakan log frequency weight

maka jika suatu term muncul 1 kali maka

nilai wt,d adalah 1. Jika muncul 2 kali maka wt,d menjadi 1,3; 10 kali nilainya menjadi 2 dan 1000 kali menjadi 4. Dari nilai tersebut dapat dilihat bahwa relevansi tidak bertambah secara proporsional sesuai

dengan jumlah kemunculan suatu term t.

Dengan menggunakan nilai log frequency

weight ini maka nilai dari suatu pasangan

dokumen dan query dihitung dengan rumus

di bawah ini:

∑

ISSN : 1979-5661 -39-

b. Document Frequency dan Inverse

Document Frequency (idf)

Penggunaan log frequency weight

untuk menentukan nilai dari suatu pasangan

dokumen dan query memunculkan suatu

permasalahan baru. Suatu term yang sering

muncul dalam dokumen d memiliki nilai

yang lebih besar dibandingkan dengan term

lain. Namun untuk query yang mengandung

kata yang jarang ditemui maka walaupun kata tersebut hanya muncul sekali dalam satu dokumen seharusnya memiliki nilai relevansi yang besar dibandingkan kata yang sering muncul tadi. Pemberian nilai yang lebih tinggi untuk suatu kata yang jarang ditemui dibandingkan kata yang sering muncul maka digunakan konsep

document frequency. dft adalah document

frequency dari t yaitu banyaknya dokumen

yang mengandung t. Nilai dft tidak lebih besar dari N yang merupakan jumlah

dokumen yang digunakan untuk

membangun sistem temu kembali

informasi. Inverse document frequency

(idf) dari t dihitung menggunakan rumus:

(Manning, 2009)

Penggunaan rumus tersebut dimaksudkan untuk dapat menekan efek dari dft. Sebagai contoh, jika jumlah dokumen (N) yang digunakan adalah 10.000 dokumen, dan

satu kata yaitu “Calpurnia” muncul

sebanyak 1 kali dalam 1 dokumen maka nilai idf-nya menjadi:

(

₎

Jika kata “yang” muncul sebanyak 1.000

kali maka nilai idf-nya menjadi 1. Dengan menggunakan idf ini maka kata yang jarang muncul akan memiliki nilai relevansi yang

lebih besar terhada query pengguna

dibandingkan kata yang sering muncul. Kombinasi antara tf dan idf inilah yang akan digunakan untuk memberikan nilai terhadap suatu pasangan dokumen dan

query.

c. Pembobotan Menggunakan tf-idf

Nilai tf-idf dari suatu kata (term) pada

dokumen d, merupakan hasil perkalian dari bobot tf dan bobot idf dari kata tersebut.

tf-idft,d

(

)

Jika kata yang terkandung dalam

query adalah lebih dari satu kata maka nilai

dari pasangan dokumen d dan query q

adalah:

Nilai (q,d)

∑

Dari rumus di atas dapat disimpulkan bahwa nilai suatu pasangan dokumen dan

query merupakan penjumlahan dari tf-idf

dari kata-kata yang muncul pada dokumen

dan query. Misalnya query yang

dimasukkan pengguna adalah “ilmu

komputer” maka nilai suatu dokumen A

terhadap query tersebut adalah

penjumlahan dari idfilmu dan

tf-idfkomputer, jika kata “ilmu” dan “komputer” muncul pada dokumen A. Jika pada dokumen B kata “komputer” tidak

muncul maka nilai dokumen B terhadap

query adalah tf-idf ilmu saja. Dengan

demikian, untuk query “ilmu komputer”

kemungkinan besar dokumen A memiliki peringkat yang lebih baik dibandingkan dokumen B.

4. RANCANGANSISTEM

a. Flowchart

Flowchart (diagram alir) dari sistem yang

dikembangkan dapat dilihat pada Gambar

3. Proses dimulai ketika pengguna

memasukkan query yang ingin dicari ke

sistem. Query pengguna ini kemudian

melalui proses tokenization untuk memecah

masukan menjadi token. Token-token

tersebut kemudian dihilangkan kata¬kata yang tidak penting yang terkandung di

dalamnya (stop words removal).

Sebelumnya kata-kata yang tidak penting tersebut harus disimpan terlebih dahulu pada basis data. Proses selanjutnya adalah

pencarian kata dasar (stemming) dari

masing-masing token. Proses stemming ini dibantu dengan dictionary yang berisikan kata-kata dasar dalam bahasa Indonesia.

ISSN : 1979-5661 -40-

Setelah query melalui proses penghilangan

kata-kata tidak penting dan pencarian kata dasar maka selanjutnya bobot tf-idf untuk

query tersebut dapat dihitung. Kemudian

untuk semua dokumen yang terdapat pada sistem dihitung pula bobot tf-idf-nya

terhadap query masukan pengguna.

Disamping itu dihitung pula cosine

similarity masing-masing dokumen

terhadap query masukan yang nantinya

digunakan sebagai dasar dalam pengurutan hasil pencarian. Proses berakhir ketika

pengguna telah memberikan evaluasi

terhadap hasil pencarian dan nilai MAP telah selesai dihitung.

Mulai Query Pengguna Tokenization Query Stopwords removal Daftar Stopwords Stemming Query Dictionary

Hitung tf-idf kata pada query

For i=1 to N (jumlah dokumen)

Hitung tf-idf kata pada dokumen

Hitung cosine similarity dokumen ke-i dengan query Indeks dokumen dan nilai cosine similarity Tampilkan hasil pencarian Evaluasi hasil pencarian

Hitung MAP Selesai

Gambar 3. Flowchart Sistem

b. Basis Data

Rancangan basis data yang digunakan dapat dilihat pada Gambar 4. Basis data yang dirancang terdiri atas 8 buah tabel sebagai berikut:

 Tb_dokumen berisi kumpulan abstrak

yang merupakan objek penelitian.

 Tb_katadasar, berisi kumpulan kata

dasar yang diunduh dari internet yang

digunakan dalam proses stemming.

 Tb_no_stem, berisi kumpulan kata yang

tidak perlu melalui proses stemming.

 Tb_stopword_list, berisi kumpulan kata

yang umum yang sering digunakan tapi tidak mempengaruhi proses pencarian, seperti: di, oleh, ini, itu, dll. Dan data pada tb_stopword_list digunakan pada

proses stopword removal.

 Tb_index, berisi hasil dari proses

preprocessing yang meliputi stopword

removal dan stemming.

 Tb_term, berisi kumpulan kata yang

terkandung dari masing-masing artikel.

 Tb_bobot dan tb_katakunci merupakan

suatu media penyimpanan untuk

menyimpan data bobot total dan

relevansi terhadap query pada

masing-masing artikel. tb_index PK id FK1 dok_id freq FK2 id_term tb_term PK id_term term tb_bobot PK id FK1 id_dok lnc ltc anc tb_katakunci PK id kata FK1 dok_id tb_katadasar PK id_ktdasar kata_dasar tb_no_stem PK id_kt kata tb_stopword_list PK id stopword tb_dokumen PK id judul

Gambar 4. Basis Data

c. Use Case

Use case diagram digunakan untuk

menggambarkan fungsionalitas yang

diharapkan dari sebuah sistem. Adapun use

case diagram dari sistem informasi ruang

baca ini adalah seperti yang ditunjukkan pada Gambar 5.

Sistem Ruang Baca

Memasukkan Kata kunci

Memasukkan Abstrak TA

Login <include> Mencari Abstrak

Gambar 5. Use Case Diagram Sistem Ruang

Baca

5. HASIL

a. Antarmuka

Antarmuka (user interface) merupakan

perantara antara sistem dengan pengguna sistem (user). Dalam sistem ruang baca ini antarmuka pengguna dirancang sedemikian rupa untuk kemudahan pengguna dalam

penggunaan sistem ruang baca ini.

Antarmuka dalam sistem ini seperti Gambar 6 dan Gambar 7.

ISSN : 1979-5661 -41-

Gambar 6. User Interface Halaman Muka

Gambar 7. User Interface

b.

Pengujian Relevansi Hasil Pencarian

Tabel 1. Hasil Penilaian Relevansi

Query

Doku men Query Q 1 Q 2 Q 3 Q 4 Q 5 Q 6 Q 7 Q 8 Q 9 Q 10 1 R R R R R R R R R R 2 _{R R R R R R R R R R} 3

R R R R R R

T

R R

T

R R

4

R R R R

T R

T

R R R R R

5 T

R R R R

T

R R R R

T

R R

6

R R

T

R R R R R

T

R R TR

7 T R

T

R R R R R R

T

R R R

8 T

R R R R R

T R

T

R R R R

9

R R R

T R

T R

T

R R R R TR

10

R R

T

R R R

T

R R R R R

Pengujian relevansi dilakukan

menggunakan sepuluh (10) buah query

masukan yang meliputi “basis data”, “algoritma”, “implementasi”, “analisis”, “teknologi”, “sistem”, “informasi”, “metode”, “proses” dan “perbandingan”. Relevansi

dinilai terhadap sepuluh (10) buah dokumen

hasil pencarian untuk masing-masing query

masukan. Tabel 1 memperlihatkan hasil penilaian relevansi untuk masing-masing

query masukan.

Penghitungan average precision (AP) untuk Q1:

Penghitungan AP ini dilakukan untuk semua

query (Q1 sampai dengan Q10). Hasil

perhitungan nilai AP untuk masing-masing

query dapat dilihat pada tabel 2.

Tabel 2. Nilai Average Precision untuk Tiap

Query Masukan

doc

Query

Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q1

0

AP 0,6

2 0,8 66 0,7 62 0,8 9 0,5 83 0,5 49 0,6 82 0,7 33 0,6 46 0,7 53

Dari tabel 2 di atas, nilai mean average

precision (MAP) dapat dihitung sebagai

berikut:

Persentase MAP dapat dihitung berdasarkan nilai MAP yaitu : 0,7084 * 100% = 70,84%

6. SIMPULAN

Dari hasil pengujian yang dilakukan didapatkan kesimpulan bahwa sistem temu kembali informasi yang diterapkan pada ruang baca Jurusan Ilmu Komputer Universitas Udayana memberikan tingkat relevansi yang tinggi yang ditunjukkan oleh nilai mean average precision sebesar 70,84%.

7. SARAN

Sistem temu kembali informasi yang dikembangkan pada penelitian ini tidak

memperhatikan urutan kata baik pada query

masukan pengguna maupun kemunculannya pada dokumen. Pada penelitian selanjutnya dapat dikembangkan sistem temu kembali informasi yang memperhatikan urutan kata untuk dibandingkan tingkat relevansinya dengan sistem yang telah dikembangkan pada penelitian ini.

8. DAFTARPUSTAKA

Agusta, L. 2009. Perbandingan Algoritma Stemming Porter dengan Algoritma Nazief & Adriani untuk Stemming Dokumen Teks Bahasa Indonesia, Bali: Konferensi Nasional Sistem dan Informatika 2009.

ISSN : 1979-5661 -42- Baeza-Yates, R., Ribeiro-Neto. 2011. Modern

Information Retrieval: The Concepts and Technology Behind Search. 2nd Edition. Addison Wesley.

Croft, B., Metzler, D., Strohman, T. 2008. Search Engines : Information Retrieval in Practice. France, Addison Wesley. Elmasri, R., Navathe, S. 2010. Fundamentals

of Basis data Systems, 6th Edition, Pearson Education, Inc. Kendall, K. E., Kendall, J.E. 2010. 8th Systems Analysis and Design. Edition, Prentice Hall.

Liu, Yan-Tie., Xu, J., Qin, T., Xiong, W., Li, H. 2007. LETOR: Benchmark Dataset for Research on Learning to Rank for Information Retrieval. SIGIR '07 The 30th Annual International SIGIR Conference, July 23-27, Amsterdam. Manning, C.D., Raghavan, P., and Schutze, H.

2009. An Introduction to Information

Retrieval. Cambridge University

Press.

Pressman, R. S. 2009. Software Engineering:

A Practitioner’s Approach. 7th