Pengembangan Sistem Informasi Perijinan. pdf
Pemodelan Sistem Informasi Perencanaan Pembangunan Kelurahan
Amiq Fahmi, M.Kom
Manajemen Informatika Fakultas Ilmu Komputer Universitas Dian Nuswantoro Jl. Nakula I No. 5-11 Semarang Telepon (024) 3517261 E-mail : amiq_fahmi@dosen.dinus.ac.id
Abstrak
Sistem perencanaan pembangunan merupakan suatu kesatuan tata cara perencanaan pembangunan daerah untuk menghasilkan rencana-rencana pembangunan jangka panjang, jangka menengah, dan tahunan. Musyawarah perencanaan pembangunan (Musrenbang) kelurahan adalah forum perencanaan tahunan kelurahan untuk membahas dan menyepakati usulan kegiatan pembangunan hasil musrenbang tingkat RT dan RW sebagai identifikasi permasalahan secara nyata bagi penyiapan usulan kebutuhan kegiatan pembangunan di tingkat kelurahan dengan menggunakan prinsip partisipative, sustainable dan holistic. Penelitian dilakukan di Pemerintahan Kota Semarang, object penelitian adalah Kelurahan, pemodelan dan pengembangan sistem informasi menggunakan metode development dengan pendekatan model sekuensial linear (system development life cycle – SDLC) mencakup sejumlah fase (1). Analisis sistem (2). Desain sistem dan (3). Implementasi sistem. Hasil dari pemodelan dan pengembangan sistem adalah sistem informasi perencanaan pembangunan yang digunakan untuk menghimpun, menyimpan, memproses, mengendalikan keputusan, dan menghasilkan informasi baik berupa laporan, dokumen dan keluaran lainnya yang relevan. Pada tahap implementasi diharapkan perencanaan dan pelaksanaan pembangunan dapat berjalan secara optimal dan memenuhi sasaran pembangunan sesuai skala prioritas pencapaian serta memenuhi aspek akuntabilitas/transparansi dalam mewujudkan pemerintahan yang dapat dipercaya atau good governance.
Kata Kunci : Sistem Informasi, Musrenbang, RT, RW, Kelurahan.
anggaran berikutnya yang didahului dengan kegiatan
Pendahuluan
Pra Musrenbang Kelurahan atau selanjutnya disebut Ditetapkannya Undang-Undang No. 25 Tahun 2004
dengan Musrenbang RT dan RW yang merupakan tentang Sistem Perencanaan Pembangunan Nasional
kegiatan non formal berupa forum musyawarah tingkat (SPPN) mengamanatkan bahwa setiap daerah harus
RT/RW tahunan untuk mengidentifikasi kebutuhan menyusun rencana pembangunan daerah secara
tingkat RT/RW tahun sistematis, terarah, terpadu dan tanggap terhadap
perubahan, maka setiap daerah (propinsi/kabupaten
25 tersebut /kota) harus menetapkan perencanaan Jangka Panjang,
Di
dalam
Undang-Undang No.
bahwa Perencanaan Pembangunan Jangka Menengah maupun Jangka Pendek atau disebut
mendasarkan
Nasional yang semula bersifat Top Down Planning Rencana Pembangunan Daerah Tahunan (RKPD). Hal
menjadi Bottom Up Planning yang menekankan pada tersebut mendorong ditetapkannya Peraturan Daerah
penjaringan aspirasi masyarakat secara patisipatif, Kota Semarang Nomor 9 Tahun 2007 Tentang Tata
demokrasi, terarah, dan menyeluruh. Sedangkan dalam Cara Penyusunan Rencana Pembangunan Daerah Kota
pelaksanaannya diharapkan memenuhi tiga prinsip Semarang.
utama, yaitu:
(participative) yang Semarang
Rencana Pembangunan
Tahunan Daerah
menunjukkan bahwa rakyat atau masyarakat yang Musyawarah Perencanaan Pembangunan (Musrenbang)
(RKPD) disusun
berdasarkan
hasil
akan diuntungkan oleh (atau memperoleh manfaat Tingkat Kota. Musrenbang Tingkat Kota didahului
dari) perencanaan harus turut serta dalam dengan kegiatan Musrenbang RT, Musrenbang RW,
prosesnya. Dengan kata lain rakyat atau Musrenbang Kelurahan, Musrenbang Kecamatan dan
masyarakat sebagai pemangku kepentingan yang Forum Satuan Kerja Perangkat Daerah (SKPD).
memperoleh manfaat/dampak dari pembangunan Musrenbang Kelurahan adalah forum musyawarah
harus turut serta berpartisipasi dalam proses perencanaan.
2. Prinsip kesinambungan (sustainable), prinsip ini penyampaian yang dibutuhkan. Metodologi penelitian menunjukkan bahwa perencanaan pembangunan
yang digunakan dalam pemodelan sistem informasi tidak hanya berhenti pada satu tahap, tetapi harus
perencanaan pembangunan ini adalah development berkelanjutan
pendekatan siklus hidup kemajuan terus-menerus dalam kesejahteraan, dan
dengan menggunakan
pengembangan sistem (system development life cycle – jangan sampai terjadi kemunduran. Juga diartikan
SDLC ). Metode ini mencakup sejumlah fase atau perlunya
tahapan, yaitu:
pelaksanaanya sehingga secara terus menerus
a. Tahap Analisis, Tahapan ini meliputi kegiatan dapat diadakan koreksi dan perbaikan selama
analisis permasalahan, analisis kebutuhan dan perencanaan dijalankan
analisis kelayakan pengembangan perangkat lunak
sistem informasi perencanaan pembangunan. menunjukkan bahwa masalah dalam perencanaan
3. Prinsip keseluruhan
Secara garis besar pada tahap ini merupakan dan pelaksanaannya tidak dapat hanya dilihat dari
penguraian dari suatu sistem yang utuh ke dalam satu sisi atau unsur tetapi harus dilihat dari
bagian-bagian komponennya dengan maksud berbagai aspek, dan dalam keutuhan konsep secara
mengidentifikasi dan mengevaluasi keseluruhan.
untuk
permasalahan, kesempatan-kesempatan, hambatan Berdasarkan pendekatan perencanaan yang dilakukan,
yang terjadi dan kebutuhan yang diharapkan. maka perencanaan daerah perlu dituangkan dalam
b. Tahap Desain, dilaksanakan setelah analisis suatu sistem perencanaan pembangunan daerah sebagai
dilakukan. Tahapan ini merupakan kegiatan pedoman dan acuan dalam proses penyusunan
mendesain konseptual perangkat lunak yang perencanaan pembangunan daerah yang di dalamnya
meliputi perancangan database, dan interface mengatur tata cara penyelenggaraan Musrenbang
berupa input, proses, output dan kendali keputusan tingkat RT, RW dan Kelurahan sebagai sarana dalam
berbasis kebutuhan user (user oriented). Disain penjaringan aspirasi masyarakat (sarana prasarana,
perangkat lunak difokuskan pada spesifikasi detil keluarga miskin, usulan pelatihan, dan usulan
komputer dengan kelompok masyarakat) dalam proses perencanaan
menggunakan alat bantu data flow diagram pembangunan di Kota Semarang.
(DFD).
Seiring dengan kemajuan teknologi informasi, guna
c. Tahap Testing / Implementasi mencapai proses perencanaan serta pelaksanaan
merupakan tahapan kegiatan pembangunan yang dapat dipercaya, maka perlu
Tahapan
ini
programming untuk menerjemahkan desain lojik didukung dengan sistem informasi perencanaan
rinci menjadi konstruksi aktual dari program. pembangunan yang berbasis pada teknologi informasi.
Program komputer yang digunakan dalam Dengan pemodelan sistem informasi perencanaan
pengembangan perangkat lunak sistem informasi pembangunan diharapkan pengelolaan data dan
pembangunan adalah bahasa informasi menjadi lebih mudah (user friendly), efisien,
perencanaan
pemrograman visual foxpro 9.0 dengan dukungan fleksibel
database MySql. Implementasi sistem merupakan menyimpan, memproses, mengendalikan keputusan,
mulai dari
menghimpun,
mencatat,
tahap meletakkan sistem (instalasi perangkat keras dan menghasilkan informasi (laporan, dokumen dan
dan lunak) supaya siap untuk dioperasikan keluaran lainnya) yang akurat, relevan serta tepat
termasuk pelatihan kepada pemakai sekaligus uji waktu. Dengan diimplementasikannya sistem informasi
coba teknis program.
berbasis komputer diharapkan perencanaan dan pelaksanaan pembangunan dapat memenuhi sasaran
Hasil dan Perancangan
pembangunan sesuai prioritas pencapaian dengan
Analisis Sistem
memenuhi aspek akuntabilitas dalam mewujudkan
pemerintahan yang dapat dipercaya atau good governance .
a. Musrenbang RT
Musrenbang RT merupakan rembug warga di tingkat
Metodologi Penelitian
RT untuk melakukan identifikasi permasalahan secara nyata bagi penyiapan usulan kebutuhan kegiatan
Penelitian dilakukan di Kelurahan Kota Semarang dengan variabel-variabel penelitian yang dibutuhkan
pembangunan di tingkat RT. Tujuan dari Musrenang RT ini adalah melakukan identifikasi permasalahan
dalam penelitian ini mengacu pada komponen- komponen program dan kegiatan pembangunan, daftar
serta menetapkan prioritas kebutuhan yang akan menjadi bahan masukan lebih lanjut pada musrenbang
usulan sarana prasarana, keluarga miskin, usulan pelatihan, usulan kelompok masyarakat, penilaian
RW. Outcome dari Musrenbang RT ini adalah berupa:
1. Form-form Usulan bantuan pembangunan sarana prioritas, dan sebagainya ditingkat RT, RW maupun
Kelurahan. Data-data yang didapatkan berdasarkan prasarana, Keluarga Miskin, Bantuan Kelompok Masyarakat, Bantuan
pelatihan yang telah variabel kemudian dimodelkan dengan cara mendesain
aktivitas atau proses-proses
untuk
merekayasa
ditetapkan dalam musrenbang RT dan dibuat proposalnya oleh RT sesuai dengan petunjuk
perangkat lunak berdasarkan sifat aplikasi, metode
2. Hasil dari musrenbang RT, setelah pelaksanaan
c. Musrenbang Kelurahan
diserahkan ke RW
Musrenbang
Kelurahan
dimaksudkan sebagai
forummusyawarah
bagi
pemangku kepentingan
b. Musrenbang RW
pembangunan Kelurahan untuk membahas dan Musrenbang RW merupakan rembug warga di tingkat
menyepakati usulan kegiatan hasil Musrenbang RT dan RW untuk melakukan seleksi kegiatan prioritas dari
RW serta untuk mengidentifikasi permasalahan secara usulan RT dan identifikasi permasalahan secara nyata
nyata bagi penyiapan usulan kebutuhan kegiatan bagi
pembangunan di tingkat Kelurahan, yang akan pembangunan di tingkat RW. Musrenbang RW
penyiapan usulan
kebutuhan
kegiatan
diajukan pada Musrenbang Kecamatan. Adapun merupakan kelanjutan dari musrenbang RT. Tujuan
tujuannya adalah:
1. Mendorong partisipasi masyarakat Kelurahan melakukan identifikasi permasalahan serta menetapkan
dari Musrenang RW ini adalah menghimpun dan
menyusun perencanaan pembangunan prioritas kebutuhan, baik dari usulan Musrenbang RT
dalam
tahunan di tingkat Kelurahan, untuk melakukan maupun yang muncul dari Musrenbang RW yang akan
klasiflkasi atas prioritas kegiatan pembangunan menjadi bahan masukan lebih lanjut pada musrenbang
Kelurahan berdasarkan fungsi. Kelurahan. Outcome dari Musrenbang RT ini adalah
2. Menampung dan membahas kebutuhan masyarakat berupa :
yang diperoleh dari Musrenbang RT dan RW.
3. Mengidentifikasi kebutuhan kegiatan pembangunan prasarana, Keluarga Miskin, Bantuan Kelompok
1. Form-form Usulan bantuan pembangunan sarana
Kelurahan yang belum terakomodir di Tingkat RT Masyarakat,
ditetapkan dalam musrenbang RT dan dibuat
4. Memadukan perencanaan pembangunan di tingkat proposalnya oleh RW sesuai dengan petunjuk
Kelurahan.
pembuatan proposal
5. Menyusun dan menetapkan prioritas usulan
2. Hasil dari musrenbang RW, setelah pelaksanaan kegiatan pembangunan prioritas tahunan Kelurahan diserahkan ke Kelurahan
sebagai bahan pengajuan yang akan dibahas pada Musrenbang Kecamatan.
6. Mendapatkan prioritas usulan dan Rencana Kerja dan Anggaran (RKA) Kelurahan.
Flow of Document Musrenbang Kelurahan
Proposal Sarpras
Daftar Usulan Daftar
Sarpras Keluarga Miskin Daftar Sarpras Prioritas RW
Daftar Usulan
Daftar Sarpras Prioritas Kelurahan Keluarga Miskin
Daftart Usulan
Pelatihan
Daftar Usulan
Kelompok
Daftar Keluarga Miskin RT
Daftar Keluarga Miskin RT Daftart Usulan
Masyarakat Daftar Prioritas Usulan Pelatihan
Pelatihan Daftar Prioritas Usulan Pelatihan Kel.
Proposal
Daftar Usulan Kelompok Masyarakat
Daftar Usulan
Daftar Usulan Kelompok Masyarakat Kelompok
RW
Kelurahan Masyarakat
Skala Prioritas Usulan RT dan Penambahan Usulan RW
Proposal
Rencana Kerja dan Anggaran Kelurahan
Skala Prioritas dan
Daftar Sarpras Prioritas RW
Pembuatan Recana Anggaran dan Kegitan
Daftar Keluarga Miskin RT Daftar Prioritas Usulan Pelatihan
Daftar Sarpras Prioritas Kelurahan
Daftar Usulan Kelompok Masyarakat
RW
Daftar Keluarga Miskin RT Daftar Prioritas Usulan Pelatihan Kel.
Daftar Usulan Kelompok Masyarakat Kelurahan
A Rencana Kerja dan Anggaran Kelurahan
Gambar 1. Diagram alir dokumen Musrenbang Kelurahan
Dari flow of document diatas, diketahui bahwa akan mengganggu aktivitas warga masyarakat). permasalahan yang dihadapi kelurahan adalah:
2. Kebermanfaatannya tinggi (kebutuhan tersebut
a. Belum adanya database usulan kegiatan berdasarkan menyangkut hajat hidup orang banyak, jika tak program dan kegiatan berdasarkan proposal yang
dipenuhi akan mengakibatkan munculnya masalah masuk dan usulan masyarakat tingkat RT dan RW
lain);
terutama yang belum terakomodir pada tahun
3. Dukungan sumber daya yang cukup (kemampuan anggaran.
sumberdaya yang tersedia dalam jumlah yang
b. Tingkat perumusan peserta tentang kriteria prioritas
cukup);
untuk menyeleksi
4. Berdampak pada Lingkungan (kalau tidak segera mempergunakan pendekatan yang sederhana melalui
mengakibatkan dampak yang musyawarah dan bersifat subjektif.
diatasi
akan
mempengaruhi lingkungan sekitarnya).
c. Belum adanya sistem informasi perencanaan Kriteria dipertimbangkan beserta penilaiannya, yaitu pembangunan yang digunakan untuk menghimpun,
(1). Tinggi, (2). Cukup, dan (3). Kurang. menyimpan, memproses, mengendalikan keputusan,
Setelah pemodelan ditentukan, untuk perancangan dan mampu mengasilkan informasi berdasarkan
sistem dibutuhkan alat bantu perancangan data flow usulan masyarakat yang bersifat berkelanjutan di
diagram (DFD). DFD adalah suatu model logika data tingkat RT, RW dan Kelurahan.
atau proses yang dibuat untuk menggambarkan asal dan tujuan data yang keluar dari sistem, tempat
penyimpanan data, proses apa yang menghasilkan data Berdasarkan hasil deteksi permasalahan sistem tersebut
2. Desain Sistem
tersebut, serta interaksi antara data yang tersimpan dan maka dapat diusulkan pemecahan masalah dalam
proses yang dikenakan pada data tersebut. Perancangan mengembangkan sebuah sistem berbasis komputer
sistem perencanaan pembangunan kelurahan seperti berupa sistem informasi perencanaan pembangunan
tampak pada gambar 2. dalam bentuk context diagram yang dapat membantu pihak kelurahan dalam
dan gambar 3 data flow diagram (DFD) level 0. menentukan daftar skala prioritas usulan pra-pengajuan
a. Context Diagram
ke Musrenbang Kecamatan. Dengan sistem ini
diharapkan memberikan kemudahan bagi pihak Diagram konteks dibawah ini menerangkan alir data kelurahan
usulan kegiatan yang masuk dari entitas ke sistem serta berdasarkan kriteria yang diformulasikan menggunkan
untuk menentukan
skala
prioritas
informasi yang keluar dari sistem ke entitas. Dalam model Analitycal Hierarchy Proses (AHP). Pada
diagram konteks terdiri dari 4 (empat) entitas, yaitu: pemodelan ini kriteria yang dipertimbangkan adalah:
1. Tingkat kebutuhan Mendesak (kebutuhan tersebut (1). RT (2). RW (3). Kecamatan (4). Bappeda. tak dapat ditunda dan apabila tidak segera ditangani
Daftar Usulan Sarana Prasana Daftar Usulan Sarana Prasana Prioritas RW Daftar Usulan Keluarga Miskin Daftar Usulan Keluarga Miskin RT
Daftar Usulan Kelompok Masyarakat Daftar Usulan Kelompok Masyarakat Prioritas RW
Daftar Usulan Pelatihan
RW
Data RT Data Kelompok Masyarakat RT Data RW
Daftar Usulan Pelatihan Prioritas RW
Data Kelompok Masyarakat RT Lap. Usulan Kegiatan Prioritas RT
0 Daftar Usulan Kegiatan Prioritas RW
Data Program
Sistem Informasi
Data Kegiatan
Data Jebis Bantuan
Musrenbang Kelurahan
RKA
Daftar Usulan Kegiatan Sarpras Prioritas
Kelurahan Kecamatan
Daftar Usulan Keluarga Miskin Daftar Usulan Kelompok Masyarakat Prioritas Kelurahan Daftar Usulan Pelatihan Prioritas Kelurahan
Gambar 2. Context diagram Gambar 2. Context diagram
Data RW
Data RT
1 Data Kelompok Masyarakat RW
RW
RT Data Kelompok Masyarakat RT
Pendataan
Data Program
Data Program
Data Kegiatan
Data RW
Jenis Bantuan
Daftar Usulan Sarana Prasana Prioritas RW
Daftar Usulan Keluarga Miskin RT
Bappeda
Data RT
Data RT
Daftar Usulan Pelatihan Prioritas RW Daftar Usulan Kelompok Masyarakat Prioritas RW
Data Kegiatan
Data Kegiatan
Data RW
2 Usulan
Data PROGRAM
Data RW
Kegiatan
Data RT
Data Kelompok Masyarakat
Data Keluarga Miskin RT DataUsulan Pelatihan
Data Usulan Sarana Prasarana
Klp_Mas
Data Kelompok Masyarakat DataUsulan Pelatihan
3 Data Usulan Kelompok Masyarakat Data Keluarga Miskin RT
Skala Prioritas
Data Keluarga Miskin RT
RT
Data Usulan Sarana Prasarana
Kegiatan
Program
Data Program
RT
Data RW RW
Data RT
Daftar Usulan Sarana Prasarana Prioritas Kelurahan
Daftar Usulan Keluarga Miskin
Data Kegiatan
Daftar Sarpras Prioritas
4 Daftar Usulan Kelompok Masyarakat Prioritas Kelurahan
Daftar Pelatihan Prioritas.
Daftar Keluarga Miskin
Daftar Usulan Pelatihan Prioritas Kelurahan
Daftar Kelompok Masyarakat prioritas
Laporan
RW
Daftar Usulan Sarana Prasarana Prioritas Kelurahan
Daftar Usulan Keluarga Miskin
Daftar Usulan Pelatihan Prioritas Kelurahan
RKA Daftar Usulan Kelompok Masyarakat Prioritas Kelurahan
RKA
Kecamatan
Gambar 3. Data flow diagram level 0
Model Relational, yaitu dimana Basis data akan disebar
ke dalam berbagai tabel 2 dimensi. Setiap tabel akan Model Data menunjukkan suatu cara/mekanisme yang
c. Perancangan Database
selalu terdiri atas lajur mendatar (row/record) dan lajur digunakan untuk mengelola/mengorganisasikan data
vertikal (column/field). Disetiap pertemuan baris dan secara fisik dalam memori sekunder yang akan
kolom inilah item-item data ditempatkan. Tabel berdampak pada pengelompokan dan membentuk
merupakan bentuk natural (alamiah) dalam menyatakan keseluruhan data pada sistem informasi perencanaan
fakta/data yang digunakan. Perancanag Tabel Sistem pembangunan. Pada sistem informasi perencanaan
Informasi Perencanaan
Pembangunan Kelurahan seperti tampak pada gambar 4. dibawah ini
Gamabr 4. Rancangan tabel sistem informasi perencanaan pembangunan
evaluasi sistem berdasarkan data-data transaksi berupa
usulan-usulan perencanaan pembangunan tingkat RT, Berdasarkan context diagram dan data flow diagram
3. Implementasi Sistem
RW dan Kelurahan.
pada tahap desain sistem, maka tahap selanjutnya yang Pada tahap pengujian ini, akan ditampilkan semua dilakukan adalah konversi fungsi-fungsi dari sistem
proses mulai dari pemasukan data, pemrosesan tersebut ke dalam pemrograman. Bahasa pemrograman
transaksi, proses pengambilan keputusan sampai yang digunakan untuk menuliskan kode program
dengan menghasilkan keluaran yang berupa informasi, adalah Microsoft Visual FoxPro Professional 9.0.
laporan, dokumen dan keluaran yang lain yang relevan Dan sebagai tahap akhir dalam pembangunan
berupa daftar skala prioritas usulan pada program dan perangkat lunak ini adalah tahap pengujian dan
kegiatan tingkat kelurahan pra-musrenbang kecamatan.
Gambar 5. Setup sistem informasi perencanaan pembangunan kelurahan
Gambar 6. Pencatatan usulan sarana dan prasarana RT
Gambar 7. Pemodelan keputusan skala prioritas usulan sarana dan prasarana
Gambar 8. Laporan daftar usulan berdasarkan skala prioritas
mampu menghasilkan informasi berupa laporan,
Kesimpulan
dokumen dan keluaran lainnya yang akurat, relevan Musyawarah Perencanaan Pembangunan (Musrenbang)
dan tepat waktu.
Kelurahan adalah forum musyawarah
Dengan diimplementasikannya pemodelan sistem pemangku kepentingan pembangunan di kelurahan
tahunan
informasi perencanaan pembangunan di kelurahan untuk menyepakati rencana kegiatan tahun anggaran
dan pelaksanaan berikutnya. Mengingat betapa pentingnya murenbang
diharapkan
perencanaan
pembangunan dapat memenuhi sasaran pembangunan yang merupakan sarana dalam penjaringan aspirasi
sesuai prioritas pencapaian program dan kegiatan masyarakat dengan memenuhi prinsip partisipatif,
dengan memenuhi aspek akuntabilitas/transparansi berkesinambungan, dan menyeluruh dalam proses
dalam mewujudkan pemerintahan yang dapat dipercaya perencanaan pembangunan di Kota Semarang dan agar
atau good governance.
pelaksanaan musrenbang dapat berjalan dengan baik dan terarah, maka diperlukan pengembangan sistem
Daftar Pustaka
informasi perencanaan pembangunan yang dapat [1] Jeffery L. Whitten., (2004), Metode Desain dan digunakan untuk menghimpun, menyimpan, dan
Edisi 6. Mc.Graw Hill memproses
Analisis Sistem,
data transaksi
dan
mengendalikan
Education, Andi Offset
[2] Keputusan Menteri Bersama Nomor :
00008/M.PPA/01/2007/050/264A/S tanggal 12 Januari
Petunjuk Teknis Penyelenggaraan
2007
perihal
Musyawarah Perencanaan Pembangunan Tahun 2007. [3] Kusrini, M. Kom., (2007), Konsep dan Aplikasi
Sistem Pendukung Keputusan, Penerbit Andi, Yogyakarta
[4] Peraturan Daerah Kota Semarang Nomor 9 Tahun
2007 tentang Tata Cara Penyusunan Rencana Pembangunan Kota Semarang.
[5] Petunjuk Pelaksanaan dan Petunjuk Teknis
Musyawarah Perencanaan Pembangunan (Juklak Juknis Musrenbang) Tingkat RT, RW dan Kelurahan, Badan Perencanaan Pembangunan Daerah Kota Semarang, 2008
[6] Powell, G., (2006), Beginning Database Design. Wiley Publishing, Inc. [7] Prof. Dr. Sugiyono., (2009). Metode Penelitian
Kuantitatif Kualitatif dan R&D, Cetakan ke 7, Alfabeta, Bandung
[8] Undang-undang Nomor 25 Tahun 2004 tentang
Sistem Perencanaan Pembangunan Nasional (SPPN).
[9] Van Roy, P and S. Haridi., (2004). Concepts, Techniques,
of Computer Programming. The MIT Press.
and
Models
Aplikasi N-Gram Untuk Deteksi Plagiat Pada Dokumen Teks
Amir Hamzah
Jurusan Teknik Informatika Fakultas Teknologi Industri IST AKPRIND Yogyakarta Jl. Kalisahak No 28 Yogyakarta Telepon (0274) 563029 ekst 239 E-mail : miramzah@yahoo.co.id
Abstrak
Semakin intensifnya penggunaan komputer dan melimpahnya dokumen teks dalam jaringan internet telah menyebabkan ketersediaan dokumen yang hampir tanpa batas. Salah satu dampak negatif dari fenomena ini adalah semakin mudahnya orang memproduksi atau menggandakan teks dari sumber yang melimpah tersebut. Pada gilirannya ketika ini dilakukan oleh orang-orang yang tidak bertanggung jawab maka akan menyuburkan praktek plagiarisme. Orang yang malas akan dengan mudah melakukan “copy-paste” karya orang tanpa harus bersusah-susah menyusun sendiri karya tulisnya. Untuk mengatasi persoalan itu upaya menyusun program komputer yang dapat melakukan deteksi plagiat kiranya penting untuk dilakukan. Penggunaan N-gram untuk aplikasi deteksi plagiat telah dicoba dalam penelitian ini. N-gram adalah susunan N-karakter yang diambil dari suatu teks. Distribusi frekuensi kemunculan N-gram dalam suatu teks dengan demikian dapat dijadikan sebagai identifikasi dari suatu teks yang dapat berupa kata, kalimat atau paragraf. Dengan identifikasi ini selanjutnya dapat digunakan sebagai alat pembanding apakah suatu teks memiliki tingkat kemiripan tertentu dengan teks yang lain. Penelitian ini mengelaborasi kemampuan N-gram sebagai identifikasi teks dalam upaya deteksi plagiat dokumen teks. Kinerja penggunaan N- gram untuk deteksi plagiat dibandingkan dengan metode similaritas dokumen dalam system information retrieval (IR). Percobaan dilakukan dengan menggunakan 80 abstrak dan 200 teks artikel panjang. Hasil percobaan menunjukkan bahwa tingkat kesamaan yang dapat dideteksi oleh N-gram mampu mendeteksi sampai tingkat kemiripan 97% untuk abstrak dan 90% untuk artikel teks panjang .
Kata Kunci : N-gram, deteksi plagiat, dokumen teks
menyusun suatu program komputer yang dapat
Pendahuluan
melakukan deteksi plagiat. Menurut [5,9] ada Perkembangan
beberapa tipe plagiarisme, yaitu: komputer, utamanya internet telah memudahkan orang
1. Word-word plagiarism, yaitu menyalin setiap mengakses informasi. Volume informasi yang sangat
kata secara langsung tanpa diubah sedikitpun. besar juga memudahkan orang mendapatkan informasi
2. Plagiarism of authorship, yaitu mengakui apapun dalam berbagai bentuk dengan cepat dan
hasil karya orang lain sebagai hasil karya mudah. Namun pada sisi lain kenyataan ini juga dapat
sendiri dengan cara mencantumkan nama memancing tindakan yang kurang terpuji, yaitu
sendiri menggantikan nama pengarang yang plagiarisme (penjiplakan). Plagiarisme didefinisikan
sebenarnya.
3. Plagiarism of sources, jika seorang penulis perampasan, penerbitan, pernyataan, atau menyatakan
sebagai tindakan
penyalahgunaan, pencurian/
menggunakan kutipan dari penulis lain tanpa sebagai milik sendiri sebuah pikiran, ide, tulisan, atau
mencantumkan sumbernya. ciptaan yang sebenarnya milik orang lain [11].
Pada prakeknya dengan perkembangan internet yang Mudahnya fasilitas menyalin dan mengkopi informasi
intensif, plagiarism tipe 1, yaitu word-word plagiarism ini telah mendorong orang untuk melakukan hal
sangat mudah dilakukan. Pada plagiarisme tipe ini tersebut.
pengkopian teks bisa sebagian teks dan bisa keseluruhan teks. Pada tipe inilah pengolahan teks dan
Untuk mengatasi hal tersebut diperlukan upaya untuk manipulasi teks seperti pemanfaatan N-gram dapat melakukan deteksi apakah suatu tulisan adalah murni
dielaborasi untuk membuat system yang dapat hasil tulisan sendiri atau hasil copy paste dari pihak
mendeteksi terjadinya plagiarisme. Praktek plagiat sebenarnya dapat terjadi pada bentuk mendeteksi terjadinya plagiarisme. Praktek plagiat sebenarnya dapat terjadi pada bentuk
tersebut dokumen dengan bahasa yang berbeda dengan dapat kita temukan dalam bentuk digital [16]. Untuk
dokumen yang ada pada koleksi. itu pencarian dan penelitian algoritma untuk mendeteksi plagiat dari informasi teks sangat penting
Aplikasi lain dari N-gram adalah pada information dilakukan. Penelitian ini bertujuan melihat sejauh mana
retrieval (IR), yaitu untuk meningkatkan recall dan penggunaan N-gram dapat diterapkan untuk melakukan
precision dalam pemrosesan query [7]. Kinerja system deteksi plagiarisme jika dibandingkan dengan teknik
IR akan meningkat manakala query dikembangkan melihat kesamaan dokumen dalam aplikasi sistem IR
dengan menggunakan dua kata yang berbeda yang (Information Retrieval).
memiliki
kemiripan
makna. Teknik N-gram
kata yang akan Berbagai analisis untuk deteksi plagiat telah banyak
menggantikan
representasi
digabungkan dengan menggunakan informasi N-gram. dilakukan. Menurut [15] berbagai teknik itu bertumpu
Similaritas dua kata sebagai dasar penggabungan pada tiga pendekatan, yaitu substring matching,
diukur berdasarkan banyaknya N-gram yang dimiliki keyword similarity dan fingerprint analysis. Pada
secara bersama oleh dua kata tersebut. pendekatan susbtring matching banyaknya match dari dua pasangan substring yang masing-masingnya
Aplikasi lain yang banyak sekali diteliti adalah pada diambil dari dua dokumen yang akan diperiksa
penerapan N-gram dalam upaya deteksi plagiat dari dijadikan sebagai indikator terjadinya plagiarisme.
suatu dokumen teks [8,10,12,14]. Seperti telah Pada pendekatan keyword similarity sejumlah keyword
definisi plagiat adalah yang dapat mewakili isi topik diekstrak dari masing-
diutarakan sebelumnya
mengambil tulisan orang lain dan dianggap sebagai masing dokumen yang akan diperiksa kemiripannya.
karya sendiri tanpa menyebutkan sumbernya. Jika Suatu dokumen dikatakan sebagai plagiat dari
dokumen teks sumber dianggap sebagai suatu string dokumen lain apa bila vector dokumen yang diwakili
dan dokumen teks yang diuji adalah suatu substring, oleh keyword yang terekstrak memiliki tingkat
maka permasalahan deteksi plagiat dapat direduksi kesamaan melebihi suatu nilai threshold tertentu.
menjadi mengecek apakah suatu substring ada dalam Pendekatan fingerprinting merupakan pendekatan yang
string lain. Permasalahan ini dalam teknik operasi paling sering digunakan. Pada pendekatan ini ada
string masuk dalam wilayah string matching. Telah tidaknya plagiarism dideteksi berdasarkan adanya
banyak algoritma string matching yang diajukan, overlap dari urutan teks dari dua dokumen yang
antara lain : Rabin-Karp [6], Knuth-Morris-Pratt, dan diperbandingkan [3, 13]. Peralatan yang digunakan
Boyer Moore[1]. Di antara 3 algoritma tersebut yang untuk mewakili urutan teks tersebut adalah fingerprint
paling banyak diterapkan untuk deteksi plagiat dari masing-masing dokumen. Fingerprint dari suatu
dokumen adalah Rabin-Karp [2,9,10,12]. dokumen adalah urutan posisi potongan-potongan teks dari dokumen tersebut, yang merupakan informasi unik
Algoritma Rabin-Karp memiliki cara kerja berdasarkan dari dokumen tersebut. Infomasi unik ini umumnya
fungsi hash dari suatu sub-string. Fungsi hash adalah diwakili oleh n-gram, yaitu deretan n-karakter dari
fungsi yang memetakan suatu substring pada nilai suatu kata atau teks [8].
bilangan tertentu dengan aturan tertentu sedemikian sehingga setiap substring yang unik diwakili oleh
bilangan yang unik. Nilai fungsi hash dapat dianggap “YOGYAKARTA”, adalah sebagai berikut :
Contoh n-gram jika
sebagai fingerprint dari string masukan tersebut. N=1 : UNIGRAM, yaitu :Y,O,G,Y,A,K,A,R,T dan A
Misalnya akan dicari substring “cab” dalam string N=2 : BIGRAM, yaitu :YO, OG, GY, YA, AK, AR,
“aabbcaba” [2,12]. Diberikan masukan input string RT, TA dan A_
s=”cab” dalam teks=”aabbcaba”. Algoritma pencarian N=3 :TRIGRAM, yaitu: YOG, OGY, GYA, YAK,
dimulai dari posisi karakter paling kiri. Gambaran AKA, KAR, ART, RTA
fungsi hash, misalnya nilai bilangan yang mewakili N=4, yaitu :YOGY, OGYA, GYAK, YAKA, AKAR,
masing-masing karakter adalah a=1, b=2 dan c=3. KART dan ARTA
Pencarian awal ditunjukkan oleh Gambar 1: dan seterusnya Analisis terhadap N-gram dari suatu teks dapat diterapkan pada berbagai aplikasi yang terkait dengan text mining. Hamzah [4] meneliti aplikasi n- gram untuk deteksi bahasa dari suatu teks berdasarkan pola sebaran dari n-gram, khususnya bigram dan
trigram. Analisis dilakukan dengan menganalisis Gambar 1.Fingerprint awal distribusi bigram dan trigram dari dokumen berbahasa
inggris, selanjutnya dokumen baru yang akan dideteksi Diasumsikan nilai hash ditetapkan dengan cara : bahasanya dilakukan analisis frekuensi bigram dan
trigramnya. Perbedaan distribusi frekuensi bigram dan Hash(“string”)=(c1+c2+c3)mod 3 (1)
Dimana c1, c2 dan c3 adalah nilai bilangan dari setiap karakter pembentuk string. Dengan demikian nilai hash dari “cab”, hash(“cab”)=(3+1+2) mod3 = 0 Perbandingan nilai hash dari string “cab”=0, dan nilai hash dari 3 karakter pertama, hash(“aab”)=1. Hasilnya tidak sama, sehingga karakter digeser kekanan 1 posisi, seperti gambar 2.
Gambar 2. Menggeser fingerprint 1 karakter
Setelah digeser, didapat string “abb” yang memilki nilai hash hash(“abb”)=2. Nilai hash ini tidak dihitung dari awal tetapi dihitung dengan cara rolling hash, yaitu mengurangi dengan nilai karakter yang keluar (di sebelah ujung kiri) dan menambah nilai karakter yang masuk
(di sebelah
ujung
kanan).
Hash(“abb”)=hash(“aab”)-a+b)=1-1+2=2 (Gambar 3).
Gambar 3. Nilai hash tidak sama
Hasil perbandingan juga tidak sama, maka dilakukan pergeseran. Begitu pula dengan perbandingan ketiga. Pada perbandingan keempat, didapatkan nilai hash yang sama. Karena nilai hash sama, maka dilakukan perbandingan string karakter per karakter antara”bca” dan ”cab”. Didapatkan hasil bahwa kedua string tidak sama (Gambar 4). Maka, kembali substring bergeser ke kanan.
Gambar 4.Nilai hash sama string berbeda
Pada perbandingan yang kelima, kedua nilai hash dan karakter pembentuk string sesuai, sehingga solusi ditemukan (Gambar 5).
Gambar 5. Pencarian berhasil
Algoritma tersebut dapat dituliskan sebagai mana pseudocode dalam Gambar 5 berikut dengan masukan fungsi teks dengan panjang n, dan string s dengan panjang m.
Gambar 6. Algoritma Rabin-Karp [2,6,12]
Algoritma tersebut menurut beberapa penlitian [2,6,12] memilki kinerja yang kurang baik dibandingkan dengan Knuth-Morris-Pratt, dan Boyer Moore. Akan tetapi algoritma Rabin-Karp memiliki keunggulan jika digunakan untuk membandingkan multiple string. Untuk itu pada perkembangannya algoritma Rabin- Karp modifikasi (untuk mencari multiple string dalam suatu string) lebih sering digunakan.
Penerapan algoritma Rabin-Karp dalam deteksi plagiat dilakukan dengan melakukan proses awal pada dokumen referensi dan dokumen yang diuji. Proses awal ini adalah (1) menghilangkan white space, dan tanda baca yang tidak diperlukan, (2) menggabungkan seluruh kata yang ada sehingga menjadi satu string saja, (3) membangkitkan N-gram yang mungkin. Dari proses awal tersebut algoritma Rabin-Karp diterapkan dengan mula-mula mencari nilai hash bagi seluruh N- gram. Dari seluruh nilai hash yang terbentuk dari seluruh N-gram tersebut dipilih sejumlah nilai hash tertentu. Nilai-nilai hash tertentu yang terpilih itulah yang akan menjadi fingerprint dari document yang akan diuji kesamaannya. Salah satu cara terpopuler untuk memilih nilai hash sebagai fingerprint adalah nilai hash yang memenuhi kriteria O mod p, atau nilai hash yang jiga dioperasikan dengan mod p , dengan p dipilih oleh pengguna, menghasilkan nilai 0 [14]. Berikut ini gambaran menentukan fingerprint dari dokumen, misalkan dimiliki dokumen : ”A do run run,
a do run run [14]. Langkah-langkah penentuan fingerprint dokumen.
function RabinKarp (input s: string[1..m], teks: string[1..n]) ->boolean { Melakukan pencarian string s pada string teks dengan algoritma Rabin-K} Deklarasi
i : integer ketemu = boolean Algoritma: ketemu false hs hash(s*1..m+) for i 0 to n-m do
hsub hash(teks*1..i+m-1]) if hsub = hs then if teks[i..i+m-1] = s then
ketemu true
else hsub hash(teks*i+1..i+m+) endfor return ketemu
(a) teks semula pemrograman yang dipergunakan adalah java jdk1.6.4, NetBean 6.01.
Adorunrunrunadorunrun
(b) menghilangkan white space Dalam pengujian ini dokumen uji dan dokumen
adoru dorun orunr runru unrun nrunr runru
referensi berasal dari dokumen yang sama. Dokumen
unrun nruna runad unado nador adoru dorun
uji berasal dari dokumen referensi yang telah dirubah
isinya dengan berbagai tingkatan perubahan. Dokumen ( c) Hasil 5-gram dari teks
orunr runru unrun
referensi yang dirubah dengan 0% (atau tanpa
perubahan) diharapkan jika dijadikan dokumen uji
maka akan menghasilkan kesamaan 100%, yaitu (d) Nilai-nilai hash yang mungkin
terjadinya plagiat. Selanjutnya perubahan dokumen referensi yang dijadikan dokumen uji dirubah sebanyak
10%, 20%, 30% dan 50% isi. Tabel (
e) Fingerprint dokumen
Gambar 7. Langkah penentuan fingerprint dokumen Tabel 1. Kelompok Dokumen referensi dan Dokumen Uji Untuk abstrak Selanjutnya untuk mengukur similaritas atau kesamaan
Doc. Referensi
Doc. Uji
CchDok Keterangan
dokumen menggunakan N-gram digunakan coefisien 0% Dice , yaitu rasio antara banyaknay N-gram yang sama
20 perubahan antara dokumen pertama dengan dokumen kedua 10%
DocRef1.txt
DocUji1.txt
15 perubahan dibagi dengan total banyaknya N-gram dari kedua
DocRef2.txt
DocUji2.txt
20% dokumen [8]. Misalnya dokumen tersebut adalah X dan
15 perubahan Y, maka similaritas dokumen tersebut adalah :
DocRef3.txt
DocUji3.txt
15 perubahan
DocRef4.txt
DocUji4.txt
Sim= 2 × n _ gram ( X )
n _ gram ( Y )
DocRef5.txt
DocUji5.txt
15 perubahan
n _ gram ( X ) + n _ gram ( Y )
Tabel 2. Kelompok Dokumen referensi dan Dokumen Pendekatan lain untuk mengukur kesamaan dokumen
Uji Untuk Dokumen Panjang adalah menggunakan teknik yang biasa dipakai dalam
IR untuk mengukur kesamaan query dengan dokumen. Keterangan 0% Metode yang sering digunakan adalah kesamaan
Doc. Referensi
Doc. Uji
CchDok
40 perubahan dengan Cosine similarity, yaitu dalam model ruang
DocRef6.txt
DocUji1.txt
10% vector untuk dokumen dan query. Dalam model ini
40 perubahan query Q dan dokumen D dimodelkan dalam ruang
DocRef7.txt
DocUji2.txt
40 perubahan vector berdimensi t,dengan t adalah cacah term
DocRef8.txt
DocUji3.txt
30% terindeks dalam koleksi dokumen, maka similaritas
40 perubahan cosine adalah :
DocRef9.txt
DocUji4.txt
DocRef10.txt
DocUji5.txt
Tahapan penelitian dilakukan dengan melakukan
preprocessing dokumen, baik dokumen referensi
i = 1 i = 1 maupun dokumen uji antara lain:
Formula ini kemudian dapat dijadikan sebagai teknik
Untuk pendekatan similaritas dengan teknik IR.
untuk mencari kesamaan antara dokumen referensi
1. Melakukan filtering dokumen dengan dengan dokumen yang akan diuji apakah terjadi
membuang karakter yang tidak berguna, plagiarisme atau tidak.
seperti koma, titik koma.
2. Membuang kata yang masuk dalam kategori STOP WORD seperti ini, itu, di, dari dan
Metodologi Penelitian
seterusnya.
Dalam penelitian ini digunakan dokumen teks berupa
3. Menyusun vector bobot dokumen referensi dokumen abstrak sebanyak 80 buah dan artikel panjang
dan dokumen uji.
sebanyak 200 dokumen normal yang lengkap.
Untuk pendekatan similaritas dengan teknik IR.
Pembuatan program dilakukan dengan menggunakan
1. Melakukan filtering dokumen dengan komputer PC Intel Atom 1.5GHz, RAM 2GB, Hard
membuang karakter yang tidak berguna, seperti koma, titik koma.
2. Membuang kata yang masuk dalam kategori gram telah dilakukan. Selanjutnya kinerja program STOP WORD seperti ini, itu, di, dari dan
akan dibandingkan antara teknik IR dengan teknik N- seterusnya.
gram. Dilakukan juga analisis tentang N-gram, yaitu
3. Menggabungkan setiap kata dalam dokumen nilai N berapa yang memberikan kinerja yang optimal sedemikian
dalam melakukan deteksi plagiat. Dilakukan juga dipandang sebagai suatu string saja. Ini
analisis untuk perbedaan objek yang dideteksi, yaitu dilakukan pada dokumen referensi dan
kemampuan mendeteksi terhadap penjiplakan 100%, dokumen uji.
50%,30%,20% dan 10%.
4. Membangkitkan N-gram yang mungkin dari dokumen refernsi dan dokumen uji
5. Mencari fingerprint dari dokumen refernsi dan
Hasil dan Perancangan
dokumen uji Antar muka program deteksi telah berhasil dirancang. Salah tampilan hasil deteksi adalah seperti pada
Algoritma yang digunakan untuk mencari fingerprint Gambar 9. Pada tampilan tersebut dokumen referensi adalah modifikasi dari algoritma Rabin-Karp (Gambar
dan dokumen uji adalah dokumen yang sama, sehingga 6), yaitu algoritma yang dapat digunakan untuk
similaritas menghasilkan nilai 100%. Tabel 3 berikut mencari multiple pattern dalam suatu teks (Gambar 8).
ini adalah kinerja program deteksi plagiat jika Masukan algoritma adalah suatu string teks (yaitu
digunakan N-gram dengan n=3 untuk dokumen abstrak dokumen refernsi) dan sejumlah substring dengan
untuk berbagai level plagiat. Terlihat dari table tersebut panjang m (dalam hal ini substring adalah N-gram
nilai similaritas dengan metode N-gram lebih tinggi yang diambilkan dari dokumen uji).
(rata-rata kemampuan deteksi 98%) dibandingkan dengan method IR.(rata-rata kemampuan deteksi 90%).
Kemampaun deteksi diukur berdasarkan rasio antara similaritas yang dihitung oleh program dengan nilai
Function RabinkarpMultiplePattern
(input teks: string [1..n], s: set of string, m:integer) ->
similaritas yang seharusnya. Misalnya untuk kelompok integer dokuji2.txt (dokumen dengan perubahan sebesar 10%),
Deklarasi
maka kesamaan seharusnya adalah sebesar 0.9.
i : integer Sehingga jika nilai similaritas adalah 0.878 berarti
str : string
kemempuan deteksinya adalah 97%. Terlihat bahwa cch_ketemu = integer
kemampuan deteksi pada dokumen abstrak relatif
Algoritma:
tinggi karena dokumen yang diperiksa rata-rata cukup Ketemu 0
kecil yaitu antara 200 sampai 300 kata.
set hs (set kosong)
for each str in s do Tabel 3. Kinerja Deteksi untuk dokumen abstrak
Masukkan hash (s[1..m]) kedalam
For i 0 to n-m
Sim
Detect%
Sim Detect%
1.000 100% if hsub = hs then
Hsub hash (teks[i..i+m-1]) dokuji1.txt
1.000
100%
0.824 92% if teks [i..i+m-1] = sebuah
dokuji2.txt
0.876
97%
substring dengan hash hsub then 89%
dokuji3.txt
0.605 86% Else hsub <- hash
cch_ketemu cch_ketemu+1
dokuji4.txt
0.667
95%
0.412 82% (teks[i+1..i+m])
dokuji5.txt
0.475
95%
Rata2 90% endfor return cch_ketemu Gambar 8. Algoritma Rabin-Karp modifikasi
Rata2
97%
Untuk dokumen yang lebih panjang didapatkan hasil seperti dalam Tabel 4. Dari tabel tersebut apabila
dibandingkan dengan Tabel 3 terlihat bahwa nilai
Gambar 8. Algoritma Rabin-Karp modifikasi [2,6,12]
Langkah berikutnya adalah mencari similaritas antara dokumen referensi dan membandingkan kinerja deteksi plagiat menggunakan dua metode. Yang pertama adalah dengan menggunakan metode IR dengan mencari similaritas dokumen menggunakan similaritas COSINE antara vector dokumen referensi dan dokumen (persamaan (2)). Pengujian yang kedua adalah menggunakan metode similaritas DICE seperti
Gambar 9. Antar Muka Program Deteksi Plagiat
Tabel 4. Kinerja Deteksi untuk dokumen panjang
Dok Uji N-Gram
IR-base
Sim Detect%
Sim
Detect%
dokuji6.txt 0.980
dokuji7.txt 0.812
dokuji8.txt 0.721
dokuji9.txt 0.623
dokuji10.txt 0.423
similaritas baik dengan metode N-gram maupun
metode IR memberikan nilai yang jauh lebih kecil, Gambar 10. Pengaruh N-gram pada Kemampuan sehingga kemampuan deteksinya rata-rata hanya
deteksi Antar
sebesar 90% untuk metode N-gram dan 85% untuk
metode IR. Hal ini dapat dimaklumi karena untuk Terlihat bahwa untuk N-gram dengan N=3 memiliki dokumen yang panjang akan lebih mungkin terjadi
kemampuan deteksi yang paling baik dibandingkan kesamaan N-gram yang berasal dari kata yang sama
nilai yang lebih kecil atau lebih besar. Hal ini dapat sekali berbeda secara makna namun memiliki
dimaklumi bahwa kebanyakn kata panjangnya berkisar kemiripan dalam susunan karakter.
antara 3 sampai 6 huruf sehingga jumlah N-gram terbanyak untuk panjang kata tersebut adalah N=3.
Analisis terhadap variasi N-gram untuk hasil deteksi
memberikan kinerja seperti dalam gambar 10.
Kesimpulan
[6] Karp, Richard M.; Rabin, Michael O. (1987). Efficient randomized pattern-matching algorithms Beberapa kesimpulan yang dapat ditarik dari penelitian
[7] Kasinov, S.,(2002). Evaluation of N-Grams ini adalah sebagai berikut :
Conflation Approachin Text-Based Information
1. Retrieval Aplikasi N-gram mampu melakukan deteksi . University of Alberta.Canada apakah sudah terjadi plagiat dalam suatu dokumen
[8] Kodrak, G.,(2005). N-gram Similarity and teks. Kemampuan deteksi ini lebih baik
Distance , SPIRE2005, LNCS 3772,pp.115-126. dibandingkan dengan aplikasi metode IR.
[9] Kurniawati, A., dan Wicaksana, I.W.S.,(2008).
2. Kemampuan deteksi dokumen dapat menurun Perbandingan Pendekatan Deteksi Plagiarisme keakuratannya jika ukuran dokumen meningkat
Dokumen dalam Bahasa Inggris , Prosiding jumlah katanya. Pada dokumen abstrak rata-rata
Seminar Ilmiah Nasional Komputer dan kemampuan deteksi sampai 97% sedangkan pada
Sistem Intelijen, KOMMIT2008, Universitas dokumen panjang hanya meencapai 90%.
Gunadarma, Depok,20-21 Agustus 2008.
3. Pemilihan ukuran N-gram akan mempengaruhi [10] Mutiara, B. dan Agustina, S.,. (2008). Anti
kinerja baik dalam akurasi dalam deteksi atau Plagiarsm Applicationwith Algorithm Karp-Rabin , dalam kecepatan proses dari program deteksi.
Thesis, GunadarmaUniversity, Depok, Indonesia Pada kedua jenis dokumen kemampuan optimal
[11] Ridhatillah, A. . (2003). Dealing with Plagiarism didapatkan pada ukuran N-gram 3.
in the Information System Research Community: A Look at Factors that Drive Plagiarism and Ways
to Address Them , MIS Quarterly; Vol. 27, No. 4, p. 511-532/December 2003
Daftar Pustaka [12] Nugroho, E.,(2011), Perancangan Sistem Deteksi
Plagiarisme Dokumen Teks dengn Menggunakan Algoritma Rabin Karp , Program STudi Ilmu
[1] Atmopawiro, A., (2006). Pengkajian Dan Analisis
Matematika, Universitas Tiga Algoritma Efisien Rabin-Karp, Knuth-
Komputer, Jurusan
Brawijaya, Malang.
Morris-Pratt, Dan Boyer-Moore Dalam Pencarian [13] Si, A., Leong H.V., Lau, R.W.H.,(1997), Check:a Pola Dalam Suatu Teks , Program Studi Teknik
document plagiarism detection system , Proc.of the Informatika, Institut TeknologiBandung.
1997 ACM Symposium on Applied Computing, [2] Firdaus, H.,B., (2008). Deteksi Plagiat Dokumen
San Jose California, USA:70-77 Menggunakan Algoritma Rabin-Karp . Program
[14] Schleimer, Saul; Wilkerson, Daniel, Aiken Alex. Studi Teknik Informatika Sekolah Teknik Elektro
Local Algorithms for dan Informatika, Institut Teknologi Bandung
(2003). Winnowing:
Document Fingerprinting . SIGMOD.San Diego, (ITB). Bandung.
CA. 2003, June 9-12, 2003 [3] Frantzeskou,G., Stamatatos, E.,Gritzalis,S.,(2007)
[15] Stein, B., and Eissen, S.M.,(2006). Near Similarity Identifying Authorship by Byte-level n-grams:The
Search and Plagiarism Analysis , 29th Annual Source Code Author Profile (scap) Method , Int‘l.
German Classification Journal of Digital Evidence, 6(1).
Society(GfKl), Magdeburg, ISDN 1431- 8814,pp.
[4] Hamzah, A.,(2010). Deteksi Bahasa Untuk
Dokumen Teks Berbahasa Indonesia , Prosiding [16] Tan, A.,(1999). Text Mining: The State of The Art Seminar
and the Challenge , In Proc of the Pacific Asia SEMNASIF 2010, UPN Veteran Yogyakarta, 22 Conf on Knowledge Discovery and Data Mining Mei 2010 PAKDD‘99 workshop on Knowledge Discovery [5] Iyer P. dan Singh, A.,(2005). Document Similarity
Analysis for a Plagiarism Detection System, 2nd
Indian International Conference on Artificial Intteligence (IICAI-05),pp 2534-2544, 2005.
Pemilihan Perilaku Tarung Non Player Character Pada Game Perang Menggunakan Fuzzy Coordinator
1) 1) Ika Widiastuti 1) , Supeno Mardi S.N , Mochamad Hariadi , Mauridhi Hery P
Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember 1) Gedung Teknik Elektro, Jl. Raya ITS, Kampus ITS, Sukolilo, Surabaya, 60111
Jurusan Teknologi Informasi, Politeknik Negeri Jember 2) Gedung Teknologi Informasi, Jl. Mastrip PO BOX 164, Jember, 68121
E-Mail: ika10@mhs.ee.its.ac.id
Abstrak
Penggunaan teknik kecerdasan buatan (Artificial intelligent) untuk meningkatkan perilaku Non Player Character (NPC) semakin populer. Agen NPC diharapkan dapat berperilaku otonom seperti manusia sehingga dapat menanggapi dan mengambil keputusan sesuai dengan kondisi yang sedang dihadapi. Paper ini mengusulkan metode Fuzzy Coordinator pada sekelompok NPC prajurit dalam game pertarungan jarak dekat dengan satu Leader yang memiliki kemampuan mengkoordinasi anggota tim NPC prajurit. Leader sebagai koordinator menentukan perilaku NPC mana yang harus menyerang, bertahan atau melarikan diri berdasarkan kekuatan (health) masing-masing NPC. Dengan adanya Leader sebagai koordinator diharapkan perilaku tim menjadi lebih terarah dan lebih cepat mencapai kemenangan.
Kata Kunci : Artificial Intelligent, Non Player Character, Leader, Fuzzy Coordinator, Otonom
Pendahuluan
Penelitian ini mengembangkan perilaku NPC Perkembangan
secara berkelompok dengan satu pemimpin (leader) mempunyai agen berperilaku seperti manusia semakin
fuzzy coordinator untuk populer. Khususnya pada game perang, dalam
yang
menggunakan
mendapatkan perilaku kelompok maupun individu pertarungan dibutuhkan pemilihan perilaku yang lebih
yang adaptif. Leader sebagai koordinator dapat bervariasi agar game lebih menyenangkan, tidak
NPC mana yang harus membosankan dan lebih natural menyerupai perilaku
menentukan perilaku
menyerang, bertahan atau melarikan diri berdasarkan seperti manusia[1]. Pemilihan perilaku gerakan
kekuatan (health) masing-masing NPC. Penggunaan diharapkan sealami mungkin berdasarkan kondisi yang
fuzzy disini karena fuzzy control dapat diaplikasikan dihadapi oleh agen dan respon yang diberikan oleh