PEMANFAATAN METADATA DALAM MENILAI KESAMAAN PROPOSAL PENELITIAN

perpustakaan.uns.ac.id

digilib.uns.ac.id

PEMANFAATAN METADATA DALAM MENILAI KESAMAAN PROPOSAL PENELITIAN HALAMAN JUDUL SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu JurusanInformatika

Disusun Oleh :

LAHARDI ALKAWERO M0508107

JURUSAN INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA Januari, 2013

commit to user


digilib.uns.ac.id

SKRIPSI

PEMANFAATAN METADATA DALAM MENILAI KESAMAAN PROPOSAL PENELITIAN HALAMAN PERSETUJUAN

Disusun oleh :


Skripsi ini telah disetujui untuk dipertahankan di hadapan dewan penguji, Pada tanggal : 23 Januari 2013

commit to user ii


digilib.uns.ac.id

SKRIPSI PEMANFAATAN METADATA DALAM MENILAI KESAMAAN PROPOSAL PENELITIAN

HALAMAN PENGESAHAN Disusun oleh :


telah dipertahankan di hadapan Dewan Penguji pada tanggal : 23 Januari 2013

Susunan Dewan Penguji

Disahkan Oleh

commit to user iii


digilib.uns.ac.id

PEMANFAATANMETADATA DALAM MENILAI KESAMAAN PROPOSAL PENELITIAN

LAHARDI ALKAWERO

Jurusan Informatika.Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Sebelas Maret.

ABSTRAK Penelitian ini bertujuan untuk mengetahui pemanfaatan metadata dalam melakukan perhitungan kesamaan proposal penelitian. Masalah yang diteliti adalah bagaimana memanfaatkan metadata untuk melakukan perhitungan kesamaan teks antar dokumen proposal penelitian. Perhitungan kesamaan dilakukan dengan metode Cosine Similarity dan pembobotan.Bobot dari metadata menunjukkan tingkatan kepentingan metadata dalam dokumen. Pada penelitian ini metadata dimanfaatkan sebagai solusi untuk tindakan awal dalam mendeteksi secara cepat kesamaan teks pada dokumen penelitian. Hal ini menunjukkan bahwa jika program yang dibuat pada penelitian ini digunakan, maka seorang reviewer akan lebih mudah dalam melihat kesamaan dari banyak dokumen. Persetujuan reviewer menunjukkan bahwa penggunaan metadata dengan pembobotan dalam menghitung kesamaan dokumen proposal penelitian dapat diterima sebagai salah satu alat bantu dalam menilai kesamaan secara cepat sebuah proposal penelitian. Pemberian bobot yang berbeda besarnya pada setiap metadata dapat menjadi solusi untuk memberikan tingkat kepentingan yang berbeda

beda sesuai dengan

jenis skema. Hal ini menunjukkan bahwa pembobotan dapat mempengaruhi proporsi nilai sebuah metadata untuk menunjukkan kepentingannya dalam sebuah dokumen penelitian.

Kata Kunci : cosine similarity, kesamaan teks, metadata

commit to user iv


digilib.uns.ac.id

THE USING OF METADATA IN ASSESSING THE SIMILARITY OF THE RESEARCH PROPOSAL

LAHARDI ALKAWERO

Department of Informatics. Mathematics and Natural Science Faculty. Sebelas Maret University

ABSTRACT This study aimed to examine the using of metadata in the calculation of the similarity of research proposals. The problem studied is how to use metadata to calculate similarities between the text of the research proposal document. Similarity calculations done by using Cosine Similarity and weightings. The weight of the metadata shows the level of importance in the document. In this research, metadata is used as a solution to the initial action in the rapid detection of text similarity of the research document. Itshows that if the program were made in this study is used, then the reviewer will be easier to see the similarities of many documents. Approval of reviewer suggests that the using of metadata with weighting process in calculating the similarity of the research proposal documents can be accepted as a tool in assessing similarities of research proposalsquickly. Giving different weight to each metadata can be a solution to provide different importancelevel according to the type of scheme. This shows that the weighting can affect the proportion of the value of a metadata to indicate importance level in a research document.

Keyword: cosine similarity, metadata, text similarity

commit to user v


digilib.uns.ac.id

MOTTO

sesungguhnya sesudah kesulitan itu ada kemudahan, Maka apabila kamu telah selesai (dari sesuatu urusan), kerjakanlah dengan sungguh-sungguh (urusan) yang lain (Q.S Alam Nasyrah : 5-7)

(Q.S Al-Baqarah : 214)

barangsiapa bertakwa kepada Allah niscaya dia akan mengadakan baginya jalan keluar. Dan memberinya rezki dari arah yang tiada disangka-sangkanya. dan barangsiapa yang bertawakkal kepada Allah niscaya Allah akan mencukupkan (keperluan)nya. Sesungguhnya Allah melaksanakan urusan yang (dikehendaki)Nya. Sesungguhnya Allah Telah mengadakan ketentuan bagi tiaptiap sesuatu (Q.S At talaq : 2-3)

Banyak kegagalan dalam hidup ini dikarenakan orang-orang tidak menyadari betapa dekatnya mereka dengan keberhasilan saat mereka (Thomas Alva Edison)

commit to user vi


digilib.uns.ac.id

PERSEMBAHAN

Kupersembahkan karya ini kepada : Ibu, Bapak serta kedua adik tercinta Asfarina Aulia dan Lazwardi Azhar Nur Ahyuni, S.E. yang selalu memberi semangat Semua teman Informatika UNS khususnya angkatan 2008

commit to user vii


digilib.uns.ac.id

KATA PENGANTAR

Bismillahirrahmaanirrahiim

yang senantiasa memberikan nikmat dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi dengan judul Pemanfaatan Metadata Dalam Menilai Kesamaan Proposal Penelitian, yang menjadi salah satu syarat wajib untuk memperoleh gelar Sarjana Informatika di Universitas Sebelas Maret (UNS) Surakarta. Penulis menyadari akan keterbatasan yang dimiliki, begitu banyak bimbingan, bantuan, serta motivasi yang diberikan dalam proses penyusunan skripsi ini. Oleh karena itu, ucapan terima kasih penulis sampaikan kepada : 1. Ibu, Bapak, dan adik - adikku, serta teman-teman yang telah memberikan banyak dukungan materi dan non materi sehingga penyusunan skripsi ini dapat terselesaikan. 2. IbuDewi Wisnu Wardani, S. Kom. , MS. selaku Dosen Pembimbing I yang penuh kesabaran membimbing, mengarahkan, dan memberi motivasi kepada penulis selama proses penyusunan skripsi ini, 3. Ibu Sari Widya Sihwi, S.Kom., M.T.Iselaku Dosen Pembimbing II yang penuh kesabaran membimbing, mengarahkan, dan memberi motivasi kepada penulis selama proses penyusunan skripsi ini, 4. Bapak dan Ibu dosen serta karyawan di Jurusan Informatika FMIPA UNS yang telah mengajar penulis selama masa studi dan membantu dalam proses penyusunan skripsi ini, 5. Nur Ahyuni, S.E. sebagai sahabat terbaik yang telah banyak memberikan motivasi dan inspirasi kepada penulis. Surakarta, Januari 2013

commit to user viii

Penulis


digilib.uns.ac.id

DAFTAR ISI

HALAMAN JUDUL ...................................................................................................... i HALAMAN PERSETUJUAN ...................................................................................... ii HALAMAN PENGESAHAN ...................................................................................... iii ABSTRAK ................................................................................................................... iv ABSTRACT .................................................................................................................. v MOTTO ....................................................................................................................... vi PERSEMBAHAN ....................................................................................................... vii KATA PENGANTAR ............................................................................................... viii DAFTAR ISI ................................................................................................................ ix DAFTAR TABEL ....................................................................................................... xii DAFTAR GAMBAR ................................................................................................. xiii DAFTAR LAMPIRAN .............................................................................................. xiv BAB I PENDAHULUAN ............................................................................................. 1 1.1 Latar Belakang .................................................................................................. 1 1.2 Rumusan Masalah ............................................................................................. 2 1.3 Batasan Masalah ................................................................................................ 2 1.4 Tujuan Penelitian ............................................................................................... 2 1.5 Manfaat Penelitian ............................................................................................. 3 1.6 Sistematika Penulisan ........................................................................................ 3 BAB II TINJAUAN PUSTAKA................................................................................... 4 2.1 Landasan Teori .................................................................................................. 4 2.1.1 Metadata ................................................................................................. 4 2.1.2 Information Retrieval .............................................................................. 4 2.1.3 Text Processing ....................................................................................... 5 2.1.4 Indexing ................................................................................................... 6 2.1.5 Vector Space Model ................................................................................ 7

commit to user ix


digilib.uns.ac.id

2.1.6 Term Frequency

Inverse Document Frequency ................................... 8

2.2 Penelitian Sebelumnya ...................................................................................... 9 2.2.1 Text Similarity: An Alternative Way To Search MEDLINE .................... 9 2.2.2 Similarity Measures For Text Document Clustering .............................. 9 2.2.3 A Wikipedia

Based Multilingual Retrieval Model ............................... 9

2.2.4 Methods For Identifying Versione Dan Plagiarized Document ........... 10 2.2.5 Inferring Similarity Between Music Objects With Application To Playlist Generation .......................................................................... 10 2.2.6 From Context To Content: Leveraging Context To Infer Media Metadata .................................................................................... 10 BAB III METODE PENELITIAN.............................................................................. 11 3.1 StudiLiteratur .................................................................................................. 11 3.2 Observasi ......................................................................................................... 11 3.3 Analisa Metadata ............................................................................................ 12 3.3.1 Metadata dan Pembobotan Tiap Skema ............................................... 13 3.3.2 Data Set ................................................................................................. 15 3.4 Perancangan Dan Implementasi Algoritma Kesamaan Metadata ................... 15 3.5 Pengujian ......................................................................................................... 16 BAB IV HASIL DAN PEMBAHASAN .................................................................... 17 4.1 Perancangan Model dan Algoritma Kesamaan Metadata ............................... 17 4.2 Pengujian ......................................................................................................... 22 4.3.1 Pengujian 1 ............................................................................................ 22 4.3.2 Pengujian 2 ............................................................................................ 23 4.3.3 Pengujian 3 ............................................................................................ 24 4.3.4 Pengujian 4 ............................................................................................ 25 4.3.5 Pengujian 5 ............................................................................................ 26 4.3.6 Pengujian 6 ............................................................................................ 28 4.3.7 Pengujian 7 ............................................................................................ 29 4.3.8 Pengujian 8 ............................................................................................ 30 4.3.9 Pengujian 9 ............................................................................................ 31

commit to user x


digilib.uns.ac.id

4.3.10 Validasi Reviewer ................................................................................. 32 BAB V PENUTUP...................................................................................................... 34 5.1 Kesimpulan...................................................................................................... 34 5.2 Saran ................................................................................................................ 34 DAFTAR PUSTAKA ................................................................................................. 35

commit to user xi


digilib.uns.ac.id

DAFTAR TABEL

Table 1. Tabel daftar metadata dan bobot pada skema Fundamental ................... 13 Table 2. Tabel daftar metadata dan bobot dari skema Hibah Bersaing ................ 14 Table 3. Tabel daftar metadata dan bobot dari skema Strategi Nasional ............. 14 Table 4. Data Set ................................................................................................... 15 Table 5. Data Testing ............................................................................................ 15 Table 6. Daftar nilai kesamaan metadata.............................................................. 23 Table 7. Daftar nilai kesamaan metadata.............................................................. 24 Table 8. Daftar nilai kesamaan metadata.............................................................. 25 Table 9. Daftar nilai kesamaan metadata.............................................................. 26 Table 10. Daftar nilai kesamaan metadata ............................................................ 27 Table 11. Daftar nilai kesamaan metadata ............................................................ 28 Table 12. Daftar nilai kesamaan metadata ............................................................ 29 Table 13. Daftar nilai kesamaan metadata ............................................................ 31 Table 14. Daftar nilai kesamaan metadata ............................................................ 32 Table 15. Tabel validasi pengujian yang dilakukan oleh reviewer ....................... 33

commit to user xii


digilib.uns.ac.id

DAFTAR GAMBAR

Gambar 1. Ilustrasi Algoritma Pembobotan TF-IDF ............................................. 8 Gambar 2. Tahapan kerja pada penelitian ini........................................................ 11 Gambar 3. Cara pengambilan metadata dari dokumen penelitian ........................ 12 Gambar 4. Visualisasi proses perhitungan kesamaan metadata .......................... 17

commit to user xiii


digilib.uns.ac.id

DAFTAR LAMPIRAN

LAMPIRAN A Persetujuan pembobotan metadata oleh pihak LPPM UNS ....... 39 LAMPIRAN B Tanggapan Reviewer................................................................... 40 LAMPIRAN C Contoh Pengujian dengan nilai kesamaaan yang signifikan ...... 40

commit to user xiv


digilib.uns.ac.id

BAB I PENDAHULUAN

1.1 Latar Belakang Pencarian informasi yang berupa tulisan seperti artikel, jurnal, dan buku elektronik saat ini sangatlah mudah. Kemudahan akan pencarian informasi juga menimbulkan masalah

masalah yang terkait dengan keaslian isi atau ide dari

sebuah dokumen atau tulisan. Sebuah lembaga penelitian sudah semestinya memiliki berbagai prosedur yang diterapkan untuk mencegah terjadinya tindakan plagiat. Untuk itu, perlu adanya metode dan ukuran yang dapat menilai keaslian atau kebaruan isi dari tulisan. Ukuran yang dapat digunakan adalah ukuran kesamaan antar dokumen yang dihitung dengan berbagai metode. Salah satu contohnya, kesamaan dokumen yang dihitung menggunakan pendekatan kesamaan semantik(Broome, 2004)atau penelitian yang dilakukan dengan menghitung kesamaan seluruh isi dokumen dengan melakukan text processing dan menghitung kesamaannya menggunakan berbagai metode seperti Cosine, Dice, Jaccard, Hellinger dan Harmonic(Hariharan, 2010). Metode kasus,

metode yang telah ada sudah banyak diterapkan dalam berbagai

salah

satu

plagiarisme(Hoada &

kasusnya Zobel,

adalah

mendeteksi

2003). Meskipun dalam

adanya

tindakan

menilai tindakan

plagiarisme yang terjadi pada sebuah dokumen tidaklah mudah, namun metode yang ada dapat diterapkan pada salah satu tahapan dalam menilai tindakan plagiarisme yaitu pada tahap pengukuran kesamaan keseluruhan teks dengan menggunakan metode Cosine Similarity(Hariharan, 2010).Selain menghitung keseluruhan teks, metode yang ada juga telah digunakan untuk menghitung kesamaan metadata, seperti kesamaan metadata untuk generate playlist lagu lagu secara otomatis (Ragno et al., 2005)dan pengelompokkansecara otomatis berdasarkan kesamaan metadata dari gambar yang diunggah(Davis et al., 2004). Pada penelitian ini penulis meneliti bagaimana memanfaatkan metadata untuk menghitung kesamaan dokumen proposal penelitian menggunakan metode Cosine Similarity. Dokumen penelitian memiliki format yang terstruktur dan

commit to user 1


digilib.uns.ac.id 2

standar sehingga bisa ditentukan bagian - bagian yang paling mewakili seluruh isi dokumen. Bagian

bagian tersebut akan dijadikan metadata yang dapat

digunakan dalam proses perhitungan kesamaan dokumen. Perhitungan kesamaan yang dilakukan pun akan lebih efektif karena data yang digunakan hanyalah metadata yang dianggap perlu dan mewakili isi dari dokumen, bukan seluruh isi dari dokumen.

1.2 Rumusan Masalah Berdasarkan latar belakang yang telah dijelaskan sebelumnya, maka masalah yang akan diteliti adalah bagaimana memanfaatkan metadata dalam melakukan perhitungan kesamaan antar dokumen proposal penelitian dengan metode Cosine Similarity.

1.3 Batasan Masalah Agar pembahasan terfokus pada permasalahan yang akan dibahas maka penelitian ini terbatas pada : Metadata dari dokumen penelitian yang akan digunakan sudah tersedia di Lembaga Penelitian Dan Pengabdian Kepada Masyarakat Universitas Sebelas Maret( LPPM UNS ). Data dokumen yang diujikan adalah proposal penelitianLPPM UNS dengan sumber dana dari Direktorat Jenderal Pendidikan Tinggi (Ditjen Dikti) khusus skema Hibah Bersaing, Fundamental dan Strategis Nasional sejak tahun 2008 sampai 2011.

1.4 Tujuan Penelitian Tujuan dari penelitian ini adalah memanfaatkanmetadatadalam melakukan perhitungan kesamaan antar dokumen proposal penelitian dengan metode Cosine Similarity.

commit to user


digilib.uns.ac.id 3

1.5 Manfaat Penelitian Diharapkan hasil penelitian ini dapat digunakan sebagai solusi alternatif dalam membantu pihak lembaga penelitian yaitu LPPM UNS dalam menilai kualitas sebuah proposal dengan menggunakan nilai kesamaan metadatadari dokumen proposal penelitian. Hasil penelitian ini akan membantu reviewer dalam menilai proposal yang akan diterima.

1.6 Sistematika Penulisan Sistematika penyusunan laporan ini dibagi atas lima bab. Adapun bab-bab tersebut adalah sebagai berikut : BAB I PENDAHULUAN Bab ini berisi uraian tentang latar belakang masalah, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, tinjauan pustaka, dan sistematika penulisan laporan. BAB II TINJAUAN PUSTAKA Bab ini berisi teori-teori yang digunakan sebagai dasar pembahasan dari topik laporan skripsi. BAB III METODOLOGI Bab ini berisi tahapan-tahapankerja yang digunakan sebagai acuan dalam menyelesaikan skripsi. BAB IV PEMBAHASAN Bab ini berisi tentang eksperimen pengujian dari algoritma yang telah disusun dengan menggunakan sejumlah sample datauntuk kemudian dilakukan analisis terhadap hasil dari eksperimen yang telah dilakukan. BAB V KESIMPULAN DAN SARAN Bab ini berisi uraian tentang kesimpulan dan saran-saran sebagai bahan pertimbangan

untuk

pengembangan

commit to user

penelitian

selanjutnya.


digilib.uns.ac.id

BAB II TINJAUAN PUSTAKA

2.1 Landasan Teori 2.1.1 Metadata Menurut Haynes dalam (Chuttur, 2011), metadata adalah data yang menggambarkan isi, format atau atribut dari catatan data atau sumber informasi. Metadata didefinisikan secara umum sebagai data terstruktur tentang data. Namun menurut Gililand dalam (Chuttur, 2011), proses pembuatan metadatadapat melibatkan baik input subjektif maupun objektif sesuai dengan kebutuhan pengguna. Beberapa contoh metadata, yaitu pernyataan dari fakta tentang penulis, tanggal pembuatan, versi, dan atribut lainnya umumnya dapat ditentukan secara obyektif. Metadataobjektif juga dapat dihasilkan oleh mesin dalam kebanyakan kasus, seperti metadata "properties" yang dihasilkan saat membuat sebuah file dalam pengolah kata atau aplikasi spreadsheet.Metadata subjektif, adalah metadata yang merujuk pada sudut pandang (penugasan kata kunci, ringkasan konten dalam abstrak), atau karena secara khusus dimaksudkan untuk mewakili evaluasi subjektif (review buku atau presentasi ). Bahkan elemen metadata yang lebih formal menjadi subjektif bila digunakan dalam konteks budaya atau domain yang merujuk pada interpretasi lokal. Sebagai contoh, karakteristik pedagogis yang tergantung pada suatu filsafat pendidikan tertentu mungkin penting dalam konteks tertentu, tapi tidak akan memiliki makna di luar konteks itu (Duval et al., 2002).

2.1.2

Information Retrieval Information retrievalsystem atau sistem temu kembali informasi berkaitan

dengan representasi, penyimpanan, pengorganisasian, dan pengaksesan informasi. Sistem temu kembali informasi berbeda dengan sistem temu kembali data dalam beberapa segi, antara lain spesifikasi query yang tidak lengkap dan tingkat toleransi kesalahan yang tidak peka. Sistem temu kembali informasi berhubungan

commit to user 4


digilib.uns.ac.id 5

dengan teks bahasa alami yang tidak selalu terstruktur dengan baik dan bersifat ambigu(Baeza-Yates & Ribeiro-Neto, 1999). Sistem temu kembali informasi bekerja berdasarkan query yang diberikan pengguna yang menghasilkan daftar dokumen yang dianggap relevan. Tidak ada jaminan bahwa seluruh materi yang ditemukembalikan tersebut relevan dengan yang diinginkan pengguna dan belum tentu seluruh materi yang relevan dengan permintaan pengguna berhasil ditemukembalikan (Adisantoso & Ridha, 2004).

2.1.3

Text Processing Suatu dokumen tidak dapat dikenali langsung oleh suatu sistem temu

kembali informasi sehingga perlu dilakukan pemrosesan terlebih dahulu. Beberapa pengolahan teks adalah sebagai berikut : 1.Tokenizing Tokenizing adalah proses pengenalan token yang terdapat dalam rangkaian teks(Grossman, 2001). Dalam pembuatan indeks istilah, dokumen dipecah menjadi unit-unit yang lebih kecil misalnya berupa kata, frasa, atau kalimat. Unit pemrosesan tersebut disebut token. Seringkali spasi digunakan sebagai pemisah antar token (Jackson, 2002). 2.Stopword Removal Stopword removal merupakan tahap pembuangan yang termasuk dalam stoplist yaitu kata yang sering muncul dalam dokumen akan tetapi tidak memiliki makna yang berarti dan tidak signifikan dalam membedakan dokumen atau query misalnya kataStopword removal bertujuan untuk mengurangi daftar kata indeks dan mempercepat indexing(Grossman, 2001). 3.Stemming Stemming adalah proses penghilangan prefiksdan suffiks dari kata untuk mendapatkan kata dasarnya (Grossman, 2001). Dalam hal efisiensi, stemming mengurangi jumlah kata-kata unik dalam indeks sehingga mengurangi kebutuhan ruang penyimpanan untuk indeks dan mempercepat proses pencarian. Dalam hal efektifitas, stemming meningkatkan recall dengan mengurangi bentuk-bentuk kata

commit to user


digilib.uns.ac.id 6

kebentuk dasarnya. Kata bersama, kebersamaan, menyamai, akan diubah menjadi kata dasarnya

stemming dapat diukur

berdasarkan beberapa parameter, seperti kecepatan proses, keakuratan, dan kesalahan.

2.1.4

Indexing Indeks merupakan suatu daftar term. Tujuan penggunaan indeks adalah

untuk meningkatkan kecepatan dan efisiensi pencarian di dalam kumpulan dokumen. Tanpa indeks, query pengguna harus secara sekuensial melakukan scan terhadap kumpulan dokumen sehingga memerlukan waktu yang cukup lama dalam menemukan dokumen mana yang relevan dengan term pencarian. Scan secara sekuensial ini sangat tidak feasible(Grossman, 2001). Inverted index terdiri dari dua bagian. Yang pertama adalah indeks dari kata (secara umum disebut indeks kata, leksikon, atau kamus kata) yang menyimpan daftar term yang berbeda yang ditemukan pada kumpulan dokumen. Untuk setiap term terdapat daftar dokumen yang mengandungtermtersebut. Daftar dokumen ini merupakan bagian kedua dari inverted index(Grossman, 2001). Berikut ini adalah ilustrasi proses indexing dengan inverted index : D1: The GDP increased 2 percent this quarter. D2: The spring economic slowdown continued to spring downwards this quarter. Inverted index dari kedua dokumen tersebut adalah : 2

[D1]

Continued

[D2]

downwards economic GDP

[D2] [D2]

[D1]

increased

[D1]

percent

[D1]

quarter

[D1]

slowdown

[D2]

[D2]

commit to user


digilib.uns.ac.id 7

spring

[D2]

the

[D1]

[D2]

this

[D1]

[D2]

to

[D2]

seperti yang terlihat diatas, term continued, economic, slowdown, spring dan to hanya terdapat pada dokumen kedua. Term GDP, increased, percent, dan 2 hanya terdapat pada dokumen pertama. Term quarter, the, dan this terdapat pada kedua dokumen(Grossman, 2001).

2.1.5

Vector Space Model Menurut Salton dalamArifin(2002), salah satu model sistem temu kembali

informasi yang paling sederhana namun paling produktif adalah model ruang vektor. Vektor model ini merepresentasikan term yang terdapat pada dokumen dan query. Term dapat berupa kata, frasa, atau unit hasil indexing lain dalam suatu dokumen sebagai gambaran konteks dari dokumen tersebut. Karena tiap kata memiliki tingkat kepentingan yang berbeda dalam dokumen, maka diperlukan indikator yaitu termweight (bobot term) dalam proses pencocokan dan perankingan dokumen terhadap query. Menurut Munoz dalam Arifin(2002), dokumen dan term masing-masing dapat direpresentasikan dengan model ruang vektor. Misal t1, t2, ....., tn menyatakan term yang digunakan untuk mengindeks database yang terdiri dari dokumen D1, D2, ...., Dm.maka dokumen Di dinyatakan dengan : Di = (ai1 , ai2, ....., ain) dimana aij = bobot term tj dalam dokumen Di. Kobayashi dalam Arifin (2002)juga menambahkan terdapat beberapa metode pembobotan term yaitu Binary Weighting, Term Frequency, Log Entropy, Normal, GdIdf, Idf, Entropydan TF-IDF.

commit to user


digilib.uns.ac.id 8

2.1.6

Term Frequency

Inverse Document Frequency

Metode pembobotan yang umumnya diunggulkan dalam penelitianpenelitian untuk digunakan dalam model ruang vektor yaitu Term Frequency Inverse Document Frequency (TF-IDF) Arifin (2002). Metode TF-IDF merupakan suatu cara untuk memberikan bobot hubungan suatu kata (term) terhadap dokumen. Metode ini menggabungkan dua konsep untuk perhitungan bobot yaitu frekuensi kemunculan sebuah kata di dalam sebuah dokumen tertentu (term frequency) dan inversidarifrekuensi dokumen yang mengandung kata tersebut (inverse document frequency). Term frequency (TF) menunjukkan seberapa penting kata tersebut didalam sebuah dokumen yang diberikan. Document frequency (DF) menunjukkan seberapa umum kata tersebut. Ilustrasi algoritma pembobotan TF-IDF ditunjukkan pada Gambar1.

Gambar 1. Ilustrasi Algoritma Pembobotan TF-IDF(Harlian, 2006) Keterangan : d1, d2, d3, d4, d5 = dokumen tf = banyaknya term yang dicari pada sebuah dokumen N = total dokumen df= banyaknya dokumen yang mengandung term yang dicari.

commit to user


digilib.uns.ac.id 9

2.2 Penelitian Sebelumnya Berikut ini adalah beberapa penelitian sejenis yang pernah dilakukan terkait metadata dan informationretrievalsystem :

2.2.1

Text Similarity: An Alternative Way To Search MEDLINE (Lewis et al., 2006) Artikel ini menerangkan bahwa metode cosine similarity adalah metode

yang paling banyak digunakan dalam perhitungan kesamaan vektor. tiga skema pembobotan yang berbeda diterapkan dan diuji untuk mengukur pentingnya kata kunci. Dalam pendekatan penilaian, setiap kata mendapatkan nilai m jika m kali terjadi dalam sebuah teks (user query atau dokumen perpustakaan). Frekuensi kemunculan dituliskan sebagai term frequency 1 (TF1) pembobotan, dan diekspresikan dengan mendefinisikan kembali istilah xi sebagai jumlah kemunculan kata i dalam query dan yi sebagai jumlah kejadian dari kata i dalam teks perpustakaan. Pembobotan yang paling umum digunakan dalam literatur information retrieval adalah TF * IDF.

2.2.2

Similarity Measures For Text Document Clustering (Huang, 2008) Dalam artikel ini dijelaskan bahwa ketika dokumen direpresentasikan

sebagai sebuah vektor, similarity dari dua dokumen sesuai dengan korelasi antar vektor. Hal ini diukur sebagai kosinus dari sudut antar vektor, yaitu yang disebut Cosine Similarity. Cosine Similarityadalah salah satu yang paling popular untuk mengukur kesamaan dan diterapkan untuk dokumen teks, seperti di banyak aplikasi sistem temu kembali dan juga clustering.

2.2.3

A Wikipedia

Based Multilingual Retrieval Model (Potthast et al.,

2008) Makalah

ini

memperkenalkan

CL-ESA,

model

pengambilan

baru

multibahasa untuk kesamaan analisis lintas bahasa. Model pengambilan memanfaatkan keselarasan multi-bahasa dari Wikipedia: misalnya diberikan dokumen d yang ditulis dalam bahasa L, kita membuat sebuah konsep vektor d

commit to user


digilib.uns.ac.id 10

untuk d, di mana setiap dimensi i di d mengkuantifikasi kesamaan d terhadap dokumen d * i dipilih dari "bagian-L" dari Wikipedia. Demikian juga, untuk d dokumen kedua, ditulis dalam bahasa L maka L = L. Dibangun sebuah konsep vektor d. Karena konsep kedua vektor d dan d* adalah koleksi-relatif representasi d dan d* adalah language-independent, maka kesamaannya langsung dapat dihitung dengan mengukur kesamaan kosinus.

2.2.4

Methods

For

Identifying

Versione

Dan

Plagiarized

Documents (Hoada & Zobel, 2003) Mudahnya perpindahan sebuah dokumen teks dari sebuah tempat penyimpanan ke tempat lain menimbulkan besarnya resiko plagiarisme. Perubahan yang terjadi pada isinya pun dapat terjadi dengan mudah pada proses edit. Dalam makalah ini dilakukan penelitian untuk mengidentifikasi dokumen yang terindikasi ada resiko tindakan plagiarisme. Salah satu metode yang digunakan adalah metode kesamaan vektor yaitu Cosine Similarityyang dapat digunakan pada tahap penilaian kesamaan. Dokumen yang memiliki tingkat kesamaan cukup besar dapat dilakukan analisa selanjutnya untuk menilai apakah ada tindakan plagiarisme diantara dokumen yang terindikasi.

2.2.5

Inferring Similarity Between Music Objects With Application To Playlist Generation (Ragno et al., 2005) Pada penelitian ini metadata digunakan untuk generate playlist lagu

lagu

secara otomatis. Metadata yang dihasilkan oleh program pemutar file musik digunakan dalam perhitungan kesamaan menggunakan Metode Cosine Similarity.

2.2.6

From Context To Content: Leveraging Context To Infer Media Metadata (Davis et al., 2004) Pada penelitian ini dijelaskan bahwa Perhitungan kesamaan metadata dapat

digunakan

untuk

mengelompokkan

file

commit to user

multimedia

secara

otomatis.


digilib.uns.ac.id

BAB III METODE PENELITIAN

Tahapan kerja yang dilakukan dalam penelitian tugas akhir ini dapat dilihat pada Gambar2

Gambar 2. Tahapan kerja pada penelitian ini

3.1 StudiLiteratur Studi literatur dilakukan penulis untuk memperdalam pengetahuan tentang topik terkait dengan penelitian yang akan dilakukan yang meliputi metadata, cosine similarity, text processing dan information retrieval.

3.2 Observasi Observasi dilakukan di lembaga penelitian yaitu LPPM UNS untuk mengambil data dan mempelajari panduan penilaian sebuah dokumen proposal penelitian. Pemilihan lembaga penelitian sebagai tempat observasi menjadi penting karena akan mempengaruhi tahap analisa metadata. Dokumen penelitian yang formatnya terstruktur dan memiliki panduan penulisan serta penilaian membuat penulis memilih LPPM UNS sebagai tempat observasi dalam penelitian ini.

commit to user 11



3.3 Analisa Metadata Pada tahap analisa metadata penulis meneliti data

data yang telah

dikumpulkan pada tahap observasi. Setelah mengetahui data secara keseluruhan barulah melakukan pemilihan metadata

yang akan digunakan sebagai data

pengujian. Berikut ini adalah Gambar 3 sebagai ilustrasi pemilihan metadatadari sebuah dokumen penelitian.

Gambar 3. Cara pengambilan metadata dari dokumen penelitian

Pada Gambar 3 dapat dilihat bahwa setiap bagian (judul, latar belakang, rumusan masalah) akan digunakan sebagai metadata yang akan digunakan dalam perhitungan kesamaan. Pemilihan metadata akan berbeda menyesuaikan skema yang akan digunakan. Hasil dari analisa metadata adalah daftar metadata serta bobotnya yang mengacu pada panduan penelitian tahun 2011 serta disetujui oleh lembaga penelitian. Pemilihan metadata dan penentuan bobot didapatkan melalui diskusi dengan reviewer yang mengacu pada panduan penelitian yang berlaku di LPPM UNS

commit to user



tahun. Skema yang diteliti adalah skema Fundamental, Hibah Bersaing dan Strategi Nasional. 3.3.1

Metadata dan Pembobotan Tiap Skema Setiap skema memiliki metadata dan cara pembobotan yang berbeda.

Penjelasan dilakukan melalui tabel untuk memudahkan pemahaman. Metadata metadata yang digunakan dalam perhitungan kesamaan.

Table 1.Tabel daftar metadata dan bobot pada skema Fundamental Metadata

Digunakan dalam Perhitungan

Bobot

Fakultas

-

bidang ilmu

-

judul

5

abstrak

5

masalah

7.5

manfaat

30

tujuan

7.5

metode

15

daftar pustaka latar belakang

30 -

tinjauan pustaka

-

commit to user



Table 2. Tabel daftar metadata dan bobot dari skema Hibah Bersaing Metadata


Bobot

Fakultas

-

bidang ilmu

-

judul

5

abstrak

10

masalah

7.5

urgensi

35

tujuan

7.5

metode

20


15 -

tinjauan pustaka

-

Table 3. Tabel daftar metadata dan bobot dari skema Strategi Nasional Metadata


Bobot

Fakultas

-

bidang ilmu

-

judul

10

abstrak

15

masalah

15

urgensi

20

tujuan

15

manfaat

25


-

tinjauan pustaka

-

metode

-

commit to user



3.3.2

Data Set Data set yang digunakan untuk pengujian adalah metadata dokumen

proposal penelitian skema Fundamental, Hibah Bersaing dan Strategi Nasional tahun 2008 sampai 2011 dengan rincian sebagai berikut : Table 4. Data Set Skema

Jumlah Data

Fundamental

29

Hibah Bersaing

48

Strategi Nasional

14

Total

91

91 data tersebut sebagai data lama yang akan digunakan sebagai pembanding dengan data testing . Data eksperimental yang digunakan sebagai data testing berjumlah 10 dokumen dengan rincian sebagai berikut : Table 5. Data Testing Skema

Jumlah Data

Fundamental

3

Hibah Bersaing

3

Strategi Nasional

3

Total

9

3.4 Perancangan Dan Implementasi Algoritma Kesamaan Metadata Pada tahap perancangan algoritma kesamaan metadata dibuat algoritma yang dapat digunakan untuk menghitung kesamaan metadata. Algoritma yang dihasilkan akan diterapkan pada kode program yang digunakan pada tahap pengujian. Berikut ini adalah tahapan dalam merancang algoritma untuk menghitung kesamaan metadata : Menerapkan model matematika ke dalam kasus yang sedang diteliti. Membuat kode semu dari algoritma. Implementasi.

commit to user



Environtment / tools yang digunakan pada implementasi dari kode semu menjadi kode program adalah sebagai berikut : Bahasa pemrograman yang digunakan adalah java Object relational mapping (ORM) framework yang digunakan adalah Hibernate 3.6.10final. Framework yang digunakan untuk menangani dependency injection dan penanganan java object adalah Spring 3.0.5. Application

Programming

Interface

(API)

yang

digunakan

untuk

penganganan text processing adalah Lucene 3.6.1.

3.5 Pengujian Pada

tahap

pengujian,

seluruh

data

eksperimental

diuji

dengan

menggunakan program yang menerapkan algoritma yang telah dihasilkan pada tahap perancangan algoritma. Pengujian dilakukan dengan tahap sebagai berikut : Menentukan data set yang digunakan sebagai data pengujian. Data set terdiri dari data lama dan data testing. Menghitung kesamaan antara metadata dari setiap data testing dan metadata dari seluruh data lama. Melakukan validasi terhadap hasil persamaan yang akan dibantu oleh dua orang reviewer dari LPPM UNS yaitu Prof.Dr.Okid Parama Astirin, M.S. dan Dr. Eddy Heraldy, M.Si..

commit to user


digilib.uns.ac.id

BAB IV HASIL DAN PEMBAHASAN

4.1 Perancangan Model dan Algoritma Kesamaan Metadata Gambar 4 berikut ini adalahvisualisasi

proses perhitungan kesamaan

metadata. Metadata of Pre

research

DB

processing

document

Count Similarity

Sorting Gambar 4. Visualisasi proses perhitungan kesamaan metadata

Dari Gambar 4dapat dilihat bahwa metadatadari dokumen penelitian digunakan sebagai input. Sebelum dilakukan proses perhitungan kesamaan, input yang berupa teks haruslah melalui tahap preprocessing ( text processing dan indexing ) sebelum dilakukan proses perhitungan kesamaan metadata.Text processing dilakukan dengan tambahan library dari apache.org yaitu Lucene 3.6.1. Model kesamaan yang dimaksud adalah model matematika untuk perhitungan kesamaan metadata. Dimisalkan jumlah metadata yang digunakan pada

perhitungan

kesamaan

dan

pembobotan

untuk

sebuah

skema

adalahnmetadata. Model matematika dari rumus cosine similarity dijelasan pada persamaan (1).

commit to user 17



(1)

Dimana similarity adalah nilai kesamaan dari satu jenis metadata, misalkan saja nilai kesamaan dari judul. A adalah vektor yang terbentuk dari salah satu metadata sebuah dokumen dan B adalah vektor dari salah satu metadatadokumen lainnya. A dan Badalah metadata dengan jenis yang sama, misalkan A menyatakan judul maka B juga menyatakan judul. Ai adalah nilai dari index ke i pada vektor A begitu juga dengan Bi. n menyatakan jumlah indeks dari vektor yang terbentuk. Vektor

vektor yang terbentuk berisi nilai hasil perhitungan TF-

IDF untuk setiap term atau kata yang ada dalam metadata. Jika jumlah metadata dari sebuah dokumen adalah n, maka dapat dimodelkan pada persamaan (2) . (2)

Dimana sim_dok adalah nilai kesamaan total metadata - metadata dari dua dokumen. Namun karena bobot tiap metadata tidaklah sama, maka nilai kesamaan totalnya dapat dimodelkan pada persamaan (3) .

(3)

Dimana Wiadalahbobot dari masing

masing metadata. Nilai sim_dok

inilahyang dijadikan nilai akhir dari kesamaan dua buah dokumen yang dibandingkan. Setelah model matematika dari perhitungan kesamaan metadata dibuat, tahap selanjutnya adalah pembuatan kode semu dan implementasi menjadi kode program untuk pengujian. Berikut ini adalah kodesemudari algoritma yang sudah dirancang . Kode semu berikut digunakan untuk menghitung satu jenis metadata, jika terdapat nmetadata maka dilakukan sebanyak n kali.

commit to user



//membuat vektor yang berisi kata-kata dari metadata lama dan baru vektorLama; vektorBaru; //membuat vektor baru yang berisi semua kata unique gabungan dari vektorLama dan vektorBaru vektorSemuaTerm ; //membuat vektor yang berisi term frequency dari setiap kata yang ada pada masing masing vektor (lama dan baru) vektorTermFrequensiLama; vektorTermFrequensiBaru; //mengisi term frequency untuk vektorTermFrequensiLama //cek semua isi dari vektor yang berisi semua unique term int j = 0; for (cek semua isi dari vektorSemuaTerm) { double i = 0; for (cek semua isi dari vektorLama) { if (isi termLama= isi termUniq) { i++; }} vektorTermFrequensiLama[j] = i; //merubah isi vektor yang berisi term frequency menjadi TF-IDF dengan cara dikalikan nilai IDF dari setiap kata yang ada di vektor unique term double idf = 0; (cek semua isi dari index) { if(index=termUniq)) { idf = index.getIDF(); break; } } vektorTermFrequensiLama[j] = vektorTermFrequensiLama[j] * idf; j++; }

commit to user



//mengisi term frequency untuk vektorTermFrequensiBaru //cek semua isi dari vektor yang berisi semua unique term j = 0; (cek semua isi dari vektorSemuaTerm) { double i = 0; (cek semua isi vektorBaru) { if (ada yang sama dengan termUniq) {i++;}} vektorTermFrequensiBaru[j] = i; double idf = 0; (cek semua isi index) { if(index=termUniq) {idf = index.getIDF(); break; }} vektorTermFrequensiBaru[j] = vektorTermFrequensiBaru[j] * idf; j++; } //hitung dot product double dot = 0; for (int k = 0; k < vektorTermFrequensiLama.length; k++) { dot += vektorTermFrequensiLama[k] * vektorTermFrequensiBaru[k]; }

commit to user



//mencari panjang vektor dari vektor yang berisi nilai TF-IDF dari vektor lama dan baru double pjgVektorTFIDFLama= 0; for (int i = 0; i < panjang vektorTermFrequensiLama; i++) { pjgVektorTFIDFLama+= pangkat(vektorTermFrequensiLama[i], 2); } pjgVektorTFIDFLama= akar(pjgVektorTFIDFLama); double pjgVektorTFIDFBaru = 0; for (int i = 0; i < panjang vektorTermFrequensiBaru; i++) { pjgVektorTFIDFBaru += pangkat(vektorTermFrequensiBaru[i], 2); } pjgVektorTFIDFBaru = akar(pjgVektorTFIDFBaru); double panjangTotal = pjgVektorTFIDFLama* pjgVektorTFIDFBaru; if (dot == 0 atau panjangTotal == 0) { kembalikan nilai 0; } //nilai

kesamaan adalah dot product dari vektor lama dan baru di

bagi (panjang vektor lama dikali panjang vektor baru) double sim = dot / panjangTotal; //setelah dapat nilai kesamaannya, selanjutnya adalah mengalikannya dengan bobot masing

masing metadata.

total kesamaan didapat dengan

menjumlahkan seluruh nilai kesamaan setelah di bobot

commit to user



4.2 Pengujian Keterangan pengujian adalah sebagai berikut : 1. Pengujian dilakukan per skema, maksudnya adalah setiap data testing akan diujikan dengan seluruh data set yang skemanya sama dengan data testing. 2. Setelah data testing dibandingkan dengan seluruh data set, lalu dipilihlah data dengan nilai kesamaan terbesar. Selanjutnya kumpulan data pengujian yang memiliki nilai kesamaan terbesar akan ditunjukkan kepada reviewer LPPM UNS untuk divalidasi apakah nilai kesamaan teks nya bisa diterima. 3. Data testing dituliskan sebagai data ke

1 sampai data ke

9. Iddata hasil

adalah nomer identitas dari data set dalam database. Id yang terpilih adalah Id dari dokumen yang memiliki nilai kesamaan metadata paling besar dengan data testing.

4.3.1

Pengujian 1

Keterangan pengujian Jenis Skema

:

Hibah Bersaing

Judul Data Testing

:

Model Peningkatan Kompetensi Pemandu Wisata Lokal Melalui Metode Tourism Interpretation Untuk Mendukung Pengembangan Pariwisata Berbasis Masyarakat Secara Berkelanjutan

Id Data Hasil

:

88

Judul Data Hasil

:

Pengelolaan Kawasan Wisata Berbasis Masyarakat Sebagai Upaya Penguatan Ekonomi Lokal Dan Pelestarian Sumber Daya Alam Di Kabupaten Karanganyar

Tabel 6 berikut ini menjelaskan nilai kesamaan tiap metadata secara detail.

commit to user



Table 6.Daftar nilai kesamaan metadata metadata

judul abstrak masalah urgensi tujuan pustaka metode Total

nilai tanpa bobot 0.25 0.42 0.65 0.41 0.48 0.62 0.50 3.33

(%) bobot 5 10 7.5 35 7.5 15 20

(%) nilai terbobot 1.23 4.25 4.87 14.37 3.61 9.24 10.07 47.64

Hasil Analisa : Dari pengujian 1 didapatkan nilai total kesamaan cukup besar, sebesar 47.64% . Nilai kesamaan terbobot terbesar didapat dari Urgensi yaitu sebesar 14.37%.Urgensi memiliki bobot tertinggi pada skema Hibah Bersaing sehingga nilainya pun mempengaruhi nilai totalnya. Proporsi nilai Urgensi tanpa pembobotan adalah 12% dari nilai totaldan setelah pembobotan adalah 30% dari nilai total.Sedangkan Proporsi nilai Masalah tanpa pembobotan adalah 19% dari nilai total dan setelah pembobotan adalah 10% dari nilai total.Hal ini menunjukkan bahwa dengan pembobotan Urgensi menjadi lebih penting dari pada Masalah.

4.3.2

Pengujian 2


:

Hibah Bersaing

Judul Data Testing

:

Pemberdayaan Perempuan Pengrajin Batik Girli Untuk Meningkatkan Perekonomian Keluarga Dan Mengembangkan Desa Wisata Di Kabupaten Sragen

Id Data Hasil

:

91

Judul Data Hasil

:

Model Pemberdayaan Perempuan Miskin Melalui Pengembangan Kewirausahaan Keluarga Menuju Ekonomi Kreatif Di Kabupaten Karanganyar

Tabel 7 Berikut ini menjelaskan nilai kesamaan tiap metadata secara detail.

commit to user




nilai (%) tanpa bobot bobot 0.26 5 0.21 10 0.16 7.5 0.29 35 0.16 7.5 1.00 15 0.45 20 2.53


(%) nilai terbobot 1.31 2.09 1.17 10.29 1.22 14.93 9.09 40.09

Hasil Analisa : Dari pengujian 2 didapatkan nilai total kesamaan cukup besar, yaitu40.09 %. Nilai kesamaan terbobot terbesar didapat dari Pustakayaitu sebesar 14.93%. Proporsi nilai Urgensi tanpa pembobotan adalah 11.5% dari nilai total dan setelah pembobotan adalah 26% dari nilai total. Sedangkan Proporsi nilai Pustaka tanpa pembobotan adalah 39% dari nilai total dan setelah pembobotan adalah 37% dari nilai total. Nilai terbobot dari Pustaka lebih besar dari Urgensi karena karena nilai kesamaannya adalah ±100%.

4.3.3

Pengujian 3


:

Hibah Bersaing

Judul Data Testing

:

Pengembangan Kanal Fleksibel Berbahan Beton Memadat Mandiri Berserat Limbah Kaleng dan Limbah Plastik

Id Data Hasil

:

67

Judul Data Hasil

:

Rekayasa Beton Serat Performa Tinggi Dengan Serat Baja Multi Dimensi


commit to user






(%) bobot 5 10 7.5 35 7.5 15 20

(%) nilai terbobot 1.26 3.51 2.57 15.39 0.35 4.79 5.21 33.07

Hasil Analisa : Dari pengujian 3 didapatkan nilai total kesamaan sebesar 33.07 %. Nilai kesamaan terbobot terbesar didapat dari Urgensi yaitu sebesar 15.39%. nilai kesamaan dari Urgensi sebelum dibobot mendekati 0.5 yang berarti cukup mirip. Proporsi nilai Urgensi tanpa pembobotan adalah 20% dari nilai total dan setelah pembobotan adalah 46% dari nilai total. Hal ini menunjukkan kepentingan dari Urgensi yang tinggi dalam pada skema Hibah Bersaing.

4.3.4

Pengujian 4


:

Fundamental

Judul Data Testing

:

Pendidikan Ekologis Berbasis Mitos Masyarakat di daerah Rawan Bencana di Tawangmangu, Kabupaten Karanganyar, Jawa Tengah

Id Data Hasil

:

94

Judul Data Hasil

:

Mitos Prabu Boko Dalam Menjaga Keseimbangan Alam Di Dusun Pancot, Tawangmangu, Karangnyar


commit to user




judul abstrak masalah manfaat tujuan pustaka metode Total


(%) bobot 5 5 7.5 30 7.5 30 15

(%) nilai terbobot 1.08 3.61 6.89 30.00 7.50 29.65 12.03 90.75

Hasil Analisa : Dari pengujian 4 didapatkan nilai total kesamaan sebesar 90.75%. Nilai kesamaan terbobot terbesar didapat dari Manfaatyaitu sebesar 30.00%. Dengan melihat pada nilai kesamaan per metadata pada Manfaat dan Tujuan didapatkan nilai kesamaan sebesar 1 yang berarti sama persis. Dapat dilihat bahwa seluruh metadata memiliki nilai kesamaan yang besar. Pustaka juga memiliki nilai kesamaan yang besar. Dapat dilihat bahwa seluruh bagian metadata memiliki nilai kesamaan yang cukup besar. Oleh karena itu, pengujian ini perlu diteliti lebih lanjut oleh seorang reviewer.

4.3.5

Pengujian 5


:

Fundamental

Judul Data Testing

:

Digraf Eksentrik Dari Graf Friendship Dan Graf Firecracker

Id Data Hasil

:

27

Judul Data Hasil

:

Pelabelan L(D,2,1) Pada Graf Star, Graf Sun Dan Graf Wheel Untuk Pola Penentuan Channel Stasiun Radio


commit to user



Table 10.Daftar nilai kesamaan metadata Metadata

Judul Abstrak Masalah Manfaat Tujuan Pustaka Metode Total


(%) bobot 5 5 7.5 30 7.5 30 15

(%) nilai terbobot 2.10 1.02 1.33 9.61 3.26 6.65 4.43 28.41%

Hasil Analisa : Dari pengujian 5 didapatkan nilai total kesamaan yang tidak besar, yaitu28.41%. Nilai kesamaan terbobot terbesar didapat dari Manfaatyaitu sebesar 9.61%. sebelum pembobotan, nilai kesamaan yang terbesar adalah Judul yang menunjukkan bahwa Judulnya cukup mirip. Namun Judul bukanlah aspek utama dalam skema Fundamental. aspek utama dari skema Fundamental adalah Manfaat dan Pustaka. Proporsi nilai Manfaat tanpa pembobotan adalah 15% dari nilai total dan setelah pembobotan adalah 33% dari nilai total. Sedangkan proporsi nilai Tujuan tanpa pembobotan adalah 21% dari nilai total dan setelah pembobotan adalah 11% dari nilai total. Hal ini menunjukkan bahwa dengan pembobotan Manfaat menjadi lebih penting dari pada Tujuan.

commit to user



4.3.6

Pengujian 6


:

Fundamental

Judul Data Testing

:

Karakteristik Komposit Berpori Berbahan Dasar Sampah Sebagai Alternatif Pengganti Core Komersial

Id Data Hasil

:

26

Judul Data Hasil

:

Rekayasa Pengaturan Epoxy/Montmorilonite Organoclay/ Serat Gelas Untuk Mendapatkan Komposit Nano Dengan Karakteristik Struktur Mikro Dan Sifat Mekanis Kualitas Tinggi

Tabel 11 Berikut ini menjelaskan nilai kesamaan tiap metadata secara detail. Table 11.Daftar nilai kesamaan metadata Metadata

Judul Abstrak Masalah Manfaat Tujuan Pustaka Metode Total


(%) bobot 5 5 7.5 30 7.5 30 15

(%) nilai terbobot 0.51 0.78 1.28 21.47 1.31 2.98 3.20 31.53

Hasil Analisa : Dari pengujian 6 didapatkan nilai total kesamaan sebesar 31.53%. Nilai kesamaan terbobot terbesar didapat dari Manfaatyaitu sebesar 21.47%.. Bobot sebesar 30% diberikan pada Manfaat karena pada skema Fundamental manfaat dianggap penting. Selain pada Manfaat, skema Fundamental juga berfokus pada Pustaka sehingga diberikan bobot 30%. Pada pengujian ini nilai kesamaan Pustaka hanya 0.10, sehingga seorang reviewer dapat melihat lebih teliti pada Manfaat dikarenakan nilai kesamaannya yang besar.

commit to user



4.3.7

Pengujian 7


:

Strategis Nasional

Judul Data Testing

:

Manipulasi Pupuk Organik Untuk Meningkatkan Efisiensi Pupuk Nitrogen Dan Kualitas Hasil Tanaman Padi (Oryza Sativa L.)

Id Data Hasil

:

80

Judul Data Hasil

:

Pengelolaan Tanaman Lorong Dan Tanaman Penutup Tanah Sebagai Jaring Penyelamat Hara Dan Pengendali Nitrifikasi Pada Kebun Kelapa Sawit (Elaeis Guineensis Jacq.)


Judul Abstrak Urgensi Masalah Manfaat Tujuan Total

nilai tanpa bobot 0.03 0.26 0.25 0.33 0.25 0.43 1.55

(%) bobot 10 15 20 15 25 15

(%) nilai terbobot 0.32 3.88 5.07 4.88 6.32 6.40 26.86

Hasil Analisa : Dari pengujian 7 didapatkan nilai total kesamaan yang tidak besar, yaitu26.86%. Nilai kesamaan terbobot terbesar didapat dari Tujuan yaitu sebesar 6.40%. Meskipun Tujuan memiliki kesamaan yang cukup besar, Tujuan bukanlah aspek utama pada skema Strategis Nasional. Pada skema Strategis Nasional, Manfaat dan Urgensi dianggap lebih penting. Sehingga bobot yang cukup besar diberikan pada Manfaat dan Urgensi. Pada pengujian 7 nilai kesamaan Manfaat dan Urgensi tidaklah besar.

commit to user



4.3.8

Pengujian 8


:

Strategis Nasional

Judul Data Testing

:

Pengentasan Kemiskinan Melalui Pendekatan Pembangunan Sistem Nafkah Berkelanjutan (Sustainable Livelihoods Approach-Sla)

Id Data Hasil

:

52

Judul Data Hasil

:

Harmonisasi Kebijakan Pengentasan Kemiskinan Di Indonesia Dengan Program Millennium Development Goals Dalam Rangka Menciptakan Iklim Kondusif Untuk Mengurangi Kemiskinan

commit to user




nilai (%) tanpa bobot bobot 0.20 10 0.11 15 0.41 20 0.43 15 0.23 25 0.03 15 1.41


(%) nilai terbobot 1.96 1.61 8.25 6.47 5.83 0.46 24.57

Hasil Analisa : Dari pengujian 8 didapatkan nilai total kesamaan yang tidak besar, yaitu sebesar 24.57%. Nilai kesamaan terbobot terbesar didapat dari Urgensi yaitu sebesar 8.25%. Sebelum pembobotan nilai kesamaan yang terbesar adalah Masalah, namun Masalah bukanlah aspek utama dalam skema Strategis Nasional sehingga nilai terbobotnya tidak lebih besar dari Urgensi. Proporsi nilai Urgensi tanpa pembobotan adalah 29% dari nilai total dan setelah pembobotan adalah 33% dari nilai total. Sedangkan Proporsi nilai Masalah tanpa pembobotan adalah 30% dari nilai total dan setelah pembobotan adalah 26% dari nilai total. Hal ini menunjukkan bahwa dengan pembobotan Urgensi menjadi lebih penting dari pada Masalah. 4.3.9

Pengujian 9

Keterangan pengujian Jenis skema

:

Strategis Nasional

Judul data testing

:

Analisis Morfologi Tanaman Dan Kadar Protein Biji Hubungannya Dengan Kualitas Hasil Olahan Beberapa Varietas Kedelai Lokal Dan Impor

ID Data Hasil

:

47

Judul data Hasil

:

Pencirian Tanaman Manggis (Garcinia Mangostana L.) Di Jawa Sebagai Upaya Pemuliaan Dan Konservasi Komoditas Buah Lokal Unggulan

commit to user





nilai tanpa bobot 0.07 0.07 0.05 0.11 0.01 0.11 0.42

(%) bobot 10 15 20 15 25 15

(%) nilai terbobot 0.66 1.01 0.99 1.64 0.19 1.58 6.06

Hasil Analisa : Dari pengujian 4 didapatkan nilai total kesamaan yang rendah6.06% yang berarti bahwa dokumen testing tidak mirip dengan data set yang memiliki Id 47. Nilai kesamaan terbobot terbesar didapat dari Masalah yaitu sebesar 1.64%. Pada pengujian 9 tidak didapatkan dokumen yang cukup mirip dengan data testing, kesimpulan tersebut dapat diambil dari hasil nilai total kesamaan yang didapatkan sangat kecil.

4.3.10 Validasi Reviewer Dari sembilan pengujian yang dilakukan didapatkan dua pengujian yang menghasilkan nilai kesamaan yang besar. Data hasil pengujian yang terbesar ditunjukkan kepada reviewer untuk divalidasi. Data yang diberikan adalah data hasil pengujian 4 yang divalidasi oleh Prof.Dr.Okid Parama Astirin, M.S. dan data hasil pengujian 2 yang divalidasi oleh Dr. Eddy Heraldy, M.Si. Daftar validasi pengujian ditunjukkan oleh tabel 15 berikut ini.

commit to user



Table 15. Tabel validasi pengujian yang dilakukan oleh reviewer No.

Reviewer

Validasi

Pengujian Pengujian 2

Prof.Dr. Okid Parama Astirin, M.S.

disetujui

Pengujian 4

Dr. Eddy Heraldy, M.Si.

disetujui

Maksud dari kata disetujui pada tabel 15 adalah hasil pengujian berupa nilai kesamaan dan cara pembobotannya dapat diterima oleh reviewer. Lebih lanjut, Metadata dapat digunakan sebagai tindakan awal dalam mendeteksi tindakan plagiat dalam dokumen penelitian, yaitu pada tahap perhitungan kesamaan teks dari dokumen penelitian.Lebih jelasnya, tanggapan dari reviewer dapat dilaihat dari lampiran b. Hasil pengujian 2 dan pengujian 4 dapat dilihat pada bagian lampiran c.

commit to user


digilib.uns.ac.id

BAB V PENUTUP

5.1 Kesimpulan Pada penelitian ini metadata dimanfaatkan sebagai solusi untuk tindakan awal dalam mendeteksi secara cepat kesamaan teks pada dokumen penelitian. Hal ini menunjukkan bahwa jika program yang dibuat pada penelitian ini digunakan, maka seorang reviewer akan lebih mudah dalam melihat kesamaan dari banyak dokumen.Persetujuan reviewer menunjukkan bahwa penggunaan metadata dengan pembobotan dalam menghitung kesamaan dokumen proposal penelitian dapat diterima sebagai salah satu alat bantu dalam menilai kesamaan secara cepat sebuah proposal penelitian. Pemberianbobot yang berbeda besarnya pada setiap metadata dapat menjadi solusi untuk memberikan tingkat kepentingan yang berbeda

beda sesuai

dengan jenis skema.Hal ini menunjukkan bahwa pembobotan dapat mempengaruhi

proporsi

nilai

sebuah

metadata

untuk

menunjukkan

kepentingannya dalam sebuah dokumen penelitian. Untuk melihat atau menganalisa nilai kesamaan per metadata dapat dilihat dari kolom nilai tanpa bobot, sedangkan untuk melihat atau menganalisa nilai kesamaan dokumen secara keseluruhan dapat dilihat dari nilai terbobot.

5.2 Saran Penerapan algoritma natural language processing akan memperbaiki nilai kesamaan karena sistem akan memiliki knowledge dari human expert, tidak sebatas perbandingan teks yang membuat sistem tidak mengerti arti dari kata kata yang dibandingkan. Pengembangan algoritma penilaian akan lebih baik jika tidak sebatas persamaan teks saja tetapi bisa memberi keputusan apakah ada tindakan plagiat atau tidak.

commit to user 34

PEMANFAATAN METADATA DALAM MENILAI KESAMAAN PROPOSAL PENELITIAN

Recommend Documents