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