SUSUNAN DEWAN REDAKSI JELIKU

Jurnal Elektronik Ilmu Komputer - Universitas Udayana

JELIKU Vol 2 No. 3 Agustus 2013

SUSUNAN DEWAN REDAKSI JELIKU

KETUA AGUS MULIANTARA, S.KOM, M.KOM

PENYUNTING DRA. LUH GEDE ASTUTI, M.KOM NGURAH AGUS SANJAYA E.R., S.KOM, M.KOM IDA BAGUS MAHENDRA, S.KOM, M.KOM IDA BAGUS GEDE DWIDASMARA, S.KOM, M.CS

PELAKSANA I KETUT GEDE SUHARTANA, S.KOM., M.KOM I GEDE SANTI ASTAWA, S.T., M.CS I MADE WIDIARTHA, S.SI., M.KOM

ALAMAT REDAKSI JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS UDAYANA KAMPUS BUKIT JIMBARAN – BADUNG TELEPON : 0361 – 701805 EMAIL : [email protected] WEBSITE : WWW.CS.UNUD.AC.ID

i


[halaman ini sengaja dikosongkan]

ii




DAFTAR ISI

SUSUNAN DEWAN REDAKSI JELIKU ............................................................................................ i DAFTAR ISI ....................................................................................................................................... iii PERANCANGAN SISTEM INFORMASI MOBILE SALES FORCE AUTOMATION (SFA) PT. ASTRA INTERNASIONAL TBK. –HONDA Ni Made Dwi Arnita, Agus Muliantara ............................................................................................. 1 PENGENALAN POLA BREAST CANCER MENGGUNAKAN ALGORITMA NGUYEN WIDROW BACKPROPAGATION I Gst Ag Indra Arthana, Agus Muliantara ..................................................................................... 11 PENERAPAN QUEUE TREE PADA ROUTER MIKROTIK DALAM MANAJEMEN BANDWITH I Putu Ery Handika dan I Komang Ari Mogi ................................................................................. 16 PERANCANGAN SISTEM INFORMASI KEANEKARAGAMAN HAYATI DI PT. PERTAMINA DEPOT PENGISIAN PESAWAT UDARA (DPPU) NGURAH RAI I Gusti Putu Deviara Putra, I.B Made Mahendra .......................................................................... 25 IMPLEMENTASI SISTEM OPERASI ROUTER MIKROTIK SEBAGAI PROXY SERVER BERBASIS TRANSPARENT PROXY I Putu Iyasa Pringgagada Pecut, I Made Widhi Wirawan ............................................................ 33 PURWARUPA APLIKASI MESIN PENCARI REFERENSI I Putu Sutria Narada, Agus Muliantara, Ida Bagus Dwidasmara ................................................ 42 IMPLEMENTASI BANDWIDTH MANAGEMENT PADA PENGALOKASIAN HOTSPOT DI FAKULTAS HUKUM UNIVERSITAS UDAYANA I Made Yuda Prasetia, I Made Widhi Wirawan, I Dewa Made Bayu Atmaja Darmawan ......... 51 PERANCANGAN SISTEM TRACER STUDY PARIWISATA UNIVERSITAS UDAYANA

BERBASIS

WEB

PADA

FAKULTAS

Luh Sukma Widiasari, Ngurah Widyatmaja .................................................................................. 59 PERANCANGAN DAN IMPLEMENTASI APLIKASI KLASIFIKASI PENYAKIT DIABETES DENGAN METODE NAÏVE BAYES Putu Gerhans Prawira Risnawan, Ngurah Agus Sanjaya ER, I Made Widiartha ..................... 68 IMPLEMENTASI SPLIT DNS DENGAN MENGGUNAKAN BIND9 DALAM MEMBANGUN SISTEM CONTENT DELIVERY NETWORK I Made Yoga Sattwika Darma , I Made Widhi Wirawan, I Dewa Made Bayu Atmaja Darmawan .............................................. 73 PERANCANGAN SISTEM INFORMASI SALES ACTIVITY PT. ASTRA INTERNATIONAL TBK. - HONDA I Wayan Angga Pratama, Ida Bagus Gede Dwidasmara ............................................................... 78 ANALISIS MANAJEMEN BANDWIDTH UNTUK MEMBERIKAN LAYANAN SECARA ADIL TERHADAP PENGGUNA DENGAN MENGGUNKAN METODE ANTRIAN HTB DAN METODE ANTRIAN PCQ PADA MIKROTIK

iii



I Made Bayu Adi Utama, I Dewa Made Bayu Atmaja Darmawan .............................................. 88 PENGENALAN WICARA KARAKTER INDONESIA MENGGUNAKAN HIDDEN MARKOV MODEL I Wayan Adi Juliawan Pawana ........................................................................................................ 96 IDENTIFIKASI KEKURANGAN UNSUR HARA PADA TANAMAN JAGUNG DENGAN METODE JARINGAN SARAF TIRUAN LEARNING VECTOR QUANTIZATION Adinda Prisila Permatasari, Luh Gede Astuti, I Gede Santi Astawa.......................................... 101 ANALISA KINERJA ROUTING MENGGUNAKAN ROUTING INFORMATION PROTOCOL (rip) DAN OPEN SHORTEST PATH FIRST (OSPF) A.A.Sagung Istri Candra Padmasari ........................................................................................... 1010

iv



PURWARUPA APLIKASI MESIN PENCARI REFERENSI I Putu Sutria Narada, Agus Muliantara, Ida Bagus Dwidasmara Program Studi Teknik Informatika, Jurusan Ilmu Komputer, Fakultas Matematika Dan Ilmu Pengetahuan Alam, Universitas Udayana Email: [email protected] ABSTRAK Terdapat banyak sekali referensi yang dapat dijadikan dasar suatu penelitian, diperlukan banyak waktu untuk mensortirnya secara manual. Diperlukan suatu fasilitas agar pencarian referensi ini dapat dilakukan secara efisien, dan tidak memakan banyak waktu. Solusi dari masalah tersebut adalah penerapan bidang ilmu text mining yaitu sistem temu kembali informasi. Dengan menerapkan model ruang vektor, dokumen – dokumen referensi tersebut disimulasikan memiliki suatu posisi berdasarkan term penyusunnya. Dari posisi-posisi dokumen ini, dengan membandingkan posisi dari suatu dokumen terhadap kata kunci pencarian, akan ditemukan dokumen mana sajakah yang memiliki kesamaan dengan kata kunci yang diinginkan, dengan menghitung nilai cosine similarity yang mereprentasikan tingkat kesamaan antar dokumen, sehingga dokumen yang memiliki nilai similarity paling tinggi akan menduduki peringkat pertama dalam pencarian. Sistem ini dikembangkan menggunakan bahasa pemrograman PHP dan dokumen uji menggunakan 100 jurnal bahasa indonesia yang di ambil secara acak dari internet. Penelitian ini berhasil menerapkan model ruang vektor, dan hasil dari penelitian ini menunjukan bahwa aplikasi yang dibangun penulis dapat menangani masalah pencarian referensi ilmiah dengan baik, terlihat dari hasil evaluasi nilai dengan precision sebesar 62% dan nilai recall sebesar 100%. Kata Kunci : Cosine similarity, model ruang vektor, sistem temu kembali informasi, STKI ABSTRACT Many refrence that can be used as study basis, but it takes a lot of time to sort those references manualy. A facilities needed to help sorting all those refrence in eficient way. The solution of those problems lays on Information retrival knowledge. With appliying vector space model, the position of the reference document can be simulated using terms that construct those references document. By comparing this posistion with the search query, will be found a similarity value that represent the level of similarity between refrence documents and the search query. This aplication developed using PHP programing language and using 100 Indonesian journal abstract that downloaded randomly from the internet. This research has been succsesfully implemented the vector space model, and the result of this research shows that the aplication that author build has able to handle the reference sorting problems well, seen from the evaluatin resul witht recall value 100% and precision value 62%. Keywords: Cosine similarity, Information retrival, IR, Vector space model suatu mesin pencari untuk membantu mencari informasi yang relevan dengan maksud yang dituju. Tentu saja hal tersebut juga berlaku dalam hal pencarian referensi, pencarian referensi sangatlah dibutuhkan untuk pengembangan penelitian, karena tanpa referensi seorang peneliti akan mengalami kesulitan untuk

PENDAHULUAN Dalam perkembangan teknologi yang begitu pesat seperti saat ini, kebutuhan akan informasi sangatlah tinggi. Informasi yang tersedia sangatlah banyak, sehingga akan sangat menyulitkan jika dilakukan pencarian secara manual. Oleh sebab itu diperlukannya 42


menentukan landasan dasar. Oleh karena itu, diperlukan suatu sistem yang dapat mengekstrak informasi dari kumpulan dokumen, dimana kumpulan dokumen ini hanya terfokus pada kumpulan dokumen referensi. Sehingga dapat membantu mempermudah pencarian referensi relevan untuk landasan penelitian.


menggukan algoritma pemecah kata yang berbeda pada tiap bahasa. 4. Term weighting atau pembobotan kata adalah pembobotan dasar penghitungan nilai frekuensi kemunculan suatu kata (term). Frekuensi kemunculan term adalah petunjuk sejauh manakah suatu term tersebut mewakili suatu dokumen.

LANDASAN TEORI 1. Sistem Temu Kembali Informasi Sistem Temu Kembali Informasi (STKI) didefinisikan sebagai pencarian atau penemuan dokumen yang tidak terstruktur yang memenuhi kebutuhan informasi dari data dalam jumlah besar (Manning et al, 2009). Menurut Hasugian (2008) terdapat lima komponen yang memiliki peran penting dalam proses temu kembali informasi. yaitu : 1. Pengguna, yaitu orang yang menggunakan dan sistem 2. Query, yaitu format bahasa yang digunakan oleh pengguna kedalam Sistem Temu Kembali Informasi. 3. Dokumen, yaitu istilah yang digunakan untuk bahan pustaka.. 4. Indeks dokumen, yaitu istilah atau kata yang disimpan kedalam database yang berfungsi sebagai representasi sebuah dokumen. 5. Pencocokan, yaitu pembandingan istilah yang dimasukkan oleh pengguna dengan indeks dokumen yang ada. Pada tahapan pembangunan index dokumen suatu dokumen harus melalui tahapan berikut. 1. Tokenization adalah memecah dokumen menjadi kumpulan kata, dimana dalam proses pemecahan ini dilakukan pengubahan semua huruf kapital menjadi huruf kecil dan juga proses penghilangan tanda baca. 2. Filtering adalah proses penghilangan kata yang tidak relevan dengan suatu artikel, diantaranya adalah kata sambung dan kata tanya. 3. Stemming adalah proses pengembalian suatu kata menjadi kata dasar dengan

Gambar 1. Model ruang vektor 2. Vector space model Vector space model (VSM) atau model ruang vektor adalah suatu metode untuk merepresentasikan dokumen dan query dalam bentuk vektor pada ruang multidimensional (Singh dkk, 2012). Dimana tiap kata (term) yang menyusun suatu dokumen menjadi banyak dimensi dari suatu dokumen. Dokumen sendiri diwujudkan dalam bentuk vektor berarah sesuai dengan term yang membentuknya dan nilai kedekatan antar dokumen dihitung dari nilai sudut antar vektor yang berdekatan. Pada gambar 1 terlihat sudut θ1 yang dibentuk antara Q dan D1 dan θ2 untuk sudut yang dibentuk oleh Q dan D2, sudut inilah yang memperlihatkan nilai kedekatan vektor query dan vektor dokumen, dimana semaki kecil sudutnya semakin besar pula nilai kedekatannya. Sudut yang dibentuk oleh dua buah vektor dapat dihitung dengan melakukan perkalian dalam (inner product), sehingga rumus relevansinya, adalah: (𝑄. 𝐷) = cos 𝜃 = Dimana : Q = bobot query D = Bobot dokumen |Q| = Panjang query

43

𝑄. 𝐷 |𝑄|. |𝐷|



penelitian sebelumnya, kombinasi pembobotan ini, dibuktikan memiliki hasil yang lebih baik dibanding dengan pembobotan yang dilakukan pada umumnya.

|D| = Panjang dokumen Dari hasil persamaan diatas didapatkan nilai similarity antara query dan dokumen – dokumen pada koleksi, sehingga akan didapatkan hasil dokumen yang telah terangking berdasarkan nilai kesamaan tersebut.

4.1 Square root weighting Square root term weighting (SQRT) adalah pembobotan term yang dikembangkan oleh Chisholm (1999) yang digunakan untuk pembobotan documen yang bersifat lokal. Dimana L adalah bobot lokal untuk term i pada dokumen j, dan f adalah frekuensi maka pembobotan square root dirumuskan dengan. 𝐿𝑖𝑗 = √𝑓𝑖𝑗 − 0,5 + 1 jika, fij > 0 𝐿𝑖𝑗 = 0 jika fij = 0

3. Stemming Arifin Steming arifin digunakan untuk pemotongan kata sehingga didapat kata dasar dari kata tersebut. Berikut langkah-langkah steming arifin.  Setiap kata diasumsikan memiliki 2 awalan (prefiks) dan 3 akhiran (sufiks), dengan susunan Prefiks 1 + Prefiks 2 + Kata dasar + Sufiks 3 + Sufiks 2 + Sufiks 1  Pemotongan dilakukan secara berurutan dari awalan (AW), akhiran (AK), dan kata dasar (KD)  Jika sampai pada pemotongan AKIII, belum juga ditemukan di kamus, maka dilakukan proses kombinasi. KD yang dihasilkan dikombinasikan dengan imbuhan-imbuhannya dalam 12 konfigurasi berikut: a. KD b. KD + AK III c. KD + AK III + AK II d. KD + AK III + AK II + AK I e. AW I + AW II + KD f. AW I + AW II + KD + AK III g. AW I + AW II + KD + AK III + AK II h. AW I + AW II + KD + AK III + AKII + AKI i. AW II + KD j. AW II + KD + AK III k. AW II + KD + AK III + AK II l. AW II + KD + AK III + AK II + AK I

4.2 Global frequency IDF Penulis menggunakan pembobotan global IDF untuk menghitung boboy global dari suatu dokumen, dimana jika suatu term muncul sekali pada setiap dokumen atau sekali pada satu dokumen, akan diberikan bobot paling kecil. Sebuah term yang secara relatif muncul pada beberapa dokumen akan mendapat bobot yang besar. Dirumuskan seperti berikut. 𝐹𝑖 𝐺𝑖 = 𝑛𝑖 Dimana Gi adalah bobot global, Fi adalah frekuensi kemunculan term i pada suatu dokumen, dan ni adalah jumlah dokumen yang memuat term i 4.3 Cosine normalisation Untuk normalisasi penulis menggunakan normalisasi cosine similarity berikut persamaannya. 1 𝑁𝑗 = 2 √∑𝑚 𝑖=0( 𝐺𝑖 𝐿𝑖𝑗 ) Dimana Nj adalah nilai normalisasi suatu dokumen j, m adalah jumlah term pada dokumen j, Gi adalah bobot global dari term i, dan Lij adalah bobot lokal dari term i pada dokumen j.

4. Pembobotan term Penulis menggunakan metode pembobotan yang dikembangkan oleh Chisholm (1999) yaitu kombinasi dari square root weighting, global frequency IDF, cosine normalisation, untuk pembobotan pada vektor dokumen, serta binary weighting dan inverse document frequency, dan non normalisasi untuk pembobotan query. Dimana dalam dari

4.4 Binary weighting Cara ini, akan menghasilkan nilai boolean berdasarkan kemunculan term pada dokumen tersebut. Akan bernilai 0 apabila term tidak ada pada sebuah dokumen, dan bernilai satu 44


apabila term tersebut ada dalam dokumen. Sehingga banyaknya kemunculan term pada sebuah dokumen tidak berpengaruh dituliskan dalam persamaan dibawah ini. 𝐿𝑖𝑗 = 1, 𝑖𝑓 𝑓𝑖𝑗 > 0 𝐿𝑖𝑗 = 0, 𝑖𝑓 𝑓𝑖𝑗 = 0


kata, misalkan terdapat dua buah kata yang dinotasikan sebagai s dan t, dan variabel i dan j menyatakan posisi huruf yang dibandingkan pada suatu kata (Phiefer et al, 1994). 𝑓(0,0) = 0 𝑓(𝑖, 0) = 𝑖 𝑓(0, 𝑗) = 𝑗 𝑓(𝑖, 𝑗) = min{ 𝑓(𝑖 − 1, 𝑗) + 1 //𝑑𝑒𝑙𝑒𝑡𝑖𝑜𝑛 𝑓(𝑖, 𝑗 − 1) + 1 //𝑖𝑛𝑠𝑒𝑟𝑡𝑖𝑜𝑛 𝑓(𝑖 − 1, 𝑗 − 1) + 𝑑(𝑠𝑖 , 𝑡𝑗 ) / /𝑠𝑢𝑏𝑡𝑖𝑡𝑢𝑡𝑖𝑜𝑛 𝑓(𝑖 − 2, 𝑗 − 2) + 𝑑(𝑠𝑖−1 , 𝑡𝑗 ) + 𝑑(𝑠𝑖 , 𝑡𝑗−1 )1 //𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑠𝑖𝑡𝑖𝑜𝑛 } Dimana fungsi d merupakan fungsi untuk mengukur jarak huruf. 0, 𝑠𝑖 = 𝑗𝑡 𝑓(𝑠𝑖 , 𝑗𝑡 ) = { 1, 𝑠𝑖 ≠ 𝑗𝑡 Fungsi f(i,j) menghitung jumlah minimum kesalahan – kesalahan dari perbandingan i karakter kata pertama dengan j karakter pada kata kedua. Jarak antara kedua string adalah f(m,n), dimana m merupakan panjang string pertama, dan n adalah panjang string kedua.

4.5 Inverse document frequency(IDF) Inverse document frequency (IDF) adalah pembobotan term yang menghitung seberapa besarkah penaruh suatu term terhadap seluruh koleksi dokumen. Berdasarkan konsep memberikan “nilai diskriminasi” pada term dimana semakin sedikit kemunculan term tersebut pada keseluruhan koleksi dokumen, maka semakin besar nilai diskriminasinya (Chisholm & Kolda, 1999) IDF diajukan oleh Sparck Jones, dimana terdapat dua varian IDF yaitu 𝑁 𝐺𝑖 = log 𝑁𝑖 𝑁 − 𝑛𝑖 𝐺𝑖 = log 𝑛𝑖 Dimana Gi adalah bobot global untuk term i, N adalah jumlah koleksi dokumen keseluruhan, dan ni adalah jumlah dokumen yang terdapat term i didalamnya. Dalam penelitian ini penulis menggunakan IDF pertama dikarenakan persamaan IDF kedua akan menghasilkan nilai negatif jika suatu term muncul lebih pada setengah dari keseluruhan koleksi.

Id_dokumen Id_dokumen

judul judul Isi Isi dokumen dokumen

Dokumen

Lokasi Lokasi

m Memiliki n

5. Damerau Levenhstein metric Metode Damereu Levenshtein metric melakukan operasi perbandingan kata-kata dengan memeperhatikan empat macam kesalahan pengetikan. Sebagai contoh kata SALAH, yaitu :

Term

a. Penyisipan sebuah huruf , sebagai contoh SALKAH. b. Pengapusan sebuah huruf, sebagai contoh SAAH. c. Penggantian sebuah huruf dengan huruf lain, sebagai contoh SAKAH. d. Penukan urutan sebuah huruf, sebagai contoh SALHA Damereu Levenshtein metric menghitung jumlah kesalahan minumum dari dua buah

Id_term Id_term

Term Term

Id_katadasar Id_katadasar

Id_stopword Id_stopword

Kata dasar

Stopword

Kata Kata dasar dasar

Stopword Stopword

Gambar 2. ERD Sistem pencari referensi PERANCANGAN 1. Entity Relatinship Diagram(ERD) Rancangan ERD pada aplikasi ini, memiliki 4 entitas yaitu entitas dokumen,

45



entitas term, entitas kata dasar, dan entitas stopword. Seperti yang terlihat pada gambar 2, pada entitas dokumen taerdiri dari atribut id_dokumen, judul, isi_dokumen, dan lokasi. Untuk entitas term terdiri atribut id_term dan term. Entitas dokumen dan term memuliki relasi many to many. Pada entitas kata dasar memiliki atribut id_katadasar dan kata_dasar. Pada entitas memiliki atribut id_stopword dan stopword.

3. Filtering, proses dimana tanda baca dan kata hubung dihilangkan. 4. Stemming, proses pencarian kata dasar dari suatu kata. 5. Dari hasil stemming akan dilakukan perbandingan dengan kamus bahasa, untuk memastikan ketepatan hasil stemming. 6. Proses sugesti kata dilakukan bila kata query tidak terdapat dalam kamus. 7. Kemudian dilakukan proses pembobotan untuk mengeetahui bobot term-term pada query 8. Dilakukan perhitungan nilai similarity, untuk menentukan dokumen mana sajakah yang sesuai dengan kata kunci pencarian. 9. Sorting berdasarkan nilai similarity secara descending. 10. Tampilkan hasil pencarian.

2. Flowchart mesin pencari Flowchat mesin pencari dapat dilihat pada gambar 3, dimana prosesnya meliputi. 1. Penginputan query kata kunci yang akan dicari. 2. Proses tokenizing, proses dimana string inputan dibaca, dan dipecah kedalam bagian perkata. Mulai

query Tokenizing Daftar stop words

Filtering Stemming

Kamus kata dasar

N

Ada dalam kamus

Damereu Levenshtein

Y Inverted Indexs

Penghitungan bobot

Similarity

Sorting Hasil Sorting Akhir

Gambar 3. Flowchart aplikasi pencarian

46

Kata Usulan


3.


Data flow doagram dari aplikas mesin pencari ini dapat dilihat dari gambar 5. Terdapat 11 proses dalam aplikasi ini, dimana proses 1 sampai dengan 4 adalah proses pengunggahan index dokumen pencarian. Sedangkan proses pencarian dokumen berdasarkan kata kunci dilakukan dari proses 5 sampai dengan proses 11.

Diagram Konteks

Diagram konteks ditunjukan pada gambar 4. Pada gambar tersebut menunjukan bahwa sistem menerima masukan dari 2 entitas yaitu user dan aplikasi client. Entitas user, menginputkan index dokumen yang dijadikan dasar pencarian. Sedangkan perintah pelaksanaan pencarian datang dari aplikasi client.

User

Upload Dokumen

0 Web service mesin pencari

Laporan dokumen terupload

Input query

Hasil Pencarian

Aplikasi client

Gambar 4. Diagram konteks pencarian referensi 4. DFD User

Laporan upload

Upload dokumen

1 Tokenizing

Isi dokumen

2 Filtering

Isi dokumen

3 Stemming

Data stopword Data kata dasar Kamus Stopword

Isi Query

6 Filtering

4 Pembentukan Index dokumen

Kamus Kata Dasar

Db dokumen

Term

Isi query

7 Stemming

Term

Data kata dasar

8 Perbaikan Kata

Frequensi term

Term

9 Pembobotan

Bobot dokumen & query

Query

User

Dokumen

Term Index Data kata dasar

Data stopword

5 Tokenizing

Term

Hasil sorting

11 Sorting Hasil

Nilai Cosine similarity

Data dokumen Db dokumen

Gambar 5. DFD level 0 sistem pencari

47

10 Hitung cosine similarity



Sistem telah berhasil diimplementasikan dengan menggunakan bahasa pemrograman PHP. Pengujian aplikasi ini, menggunakan 100 dokumen abstrak jurnal berbagai bidang yang di unduh secara acak melalui internet. Pengujian dilakukan pada proses-proses utama dari sistem, antara lain : proses preprosessing, pembentukan index dokumen, fasilitas sugesti kata, pembobotan query, dan pengujian keseluruhan sistem dengan menginputkan 30 query yang telah ditentukan. Dari hasil pengujian didapatkan kesimpulan bahwa setiap elemen yang diujikan dapat berjalan dengan baik, dan memiliki nilai precision sebesar 62% serta nilai recall sebesar 100%.

HASIL DAN PERCOBAAN Sesuai dengan penjelasan sebelumnya, tahapan pengmbangan mesin pencari ini adalah tokenization, filtering, stemming, term weighting, dan sorting. Berikut adalah pseudocode untuk proses tokenizing, filtering dan stemming yang termasuk dalam proses preprosessing. Function prepros ($text){ $Angka = array(1,2,3,4,5,6,7,8,9,0) $simbol = array (‘!’,’?’,’.’.’,’, ’(’ ,’)’,’+’,’=’,’%’,’&’,’*’,’/’ $isi=Hilangkan simbol dan angka dari $text $Stopword[]= select stopword from tb_stopword $Kata[]=explode $isi Foreach $kata as $term{ if $term != anggota array stopword{ $kmplkata=$term } } //Panggil fungsi stemming(kmplkata) Foreach $kmplkata as $kata{ $hslSteming[] = potong awalan dan akhiran $kata } Return $hslSteming }

Function bobot($hslstemquery[]){ $a=0 $sql=implode(‘,’,$hslstemquery) $dokterkait= select distinct iddok from tb_index where term in $sql Foreach $dokterkait as $iddok{ $termdok= select distict termfrom tb_index where id_dokumen = $iddok $b[iddok]=0 Foreach $termdok as $term{ $ni= select count(distict iddok) from tb_index where term=$term. $frek[$dok][$term]= select count(term) from tb_index where iddok=$idok and term=$term. $bobottermdok[$iddok][$term]= sqrt(($frek[$iddok][$term]0.5+1)) *($frek[$iddok][$term]/$ni) $a+=$bobottermdok^2 $normalisasi[$iddok][$term]=$bo bottermdok/ sqrt$a $bobotquery=bobotquery($hslstem query) //cosine similarity If ($term=anggota $hslstemquery){ $b[iddok]+=($bobotquery[$term ]* SIMPULAN $normalisasi[$iddok][$term])} }Dari pembahasan dan perancangan } sistem diatas,descending penulis menyimpulkan poinSorting isi array $b poin Return penting$b[] sebagai berikut: 1.} Penelitian ini telah berhasil

Untuk proses pembobotan dokumen, seperti yang telah dijelaskan diatas, digunakan kombinasi pembobotan term baru yang menurut penelitian Chisholm (1999) memiliki tingkat ketepatan lebih tinggi dibandingkan dengan metode pembobotan pada umumnya. Dibawah ini adalah pseudocode dari proses pembobotan dan cosine similarity. Function bobotquery($hslstemquery[]){ $n= select count * from tb_dokumen Foreaach $hslstemquery as $term{ $ni= select count(distict iddok) from tb_index where term=$term If( $ni = Null ){ $bobot[$term]=0} Else{ $bobot[$term] = 1*log($ni/$n)} } Return $bobot }

pengembangkan mesin pencari referensi, dengan menggunakan metode vector space model, algoritma Damereu Levensthein, dan metode pembobotan baru oleh Chisholm (1999). 2. Dari hasil pengujian, didapat nilai

Setelah nilai cosine similarity didapat, maka dokumen hasil pencarian akan diurutkan secara descending berdasarkan nilai cosine similarity nya masing masing.

48


precision sebesar 62% yang menunjukan kualitas himpunan hasil dan nilai recall sebesar 100% yang menunjukan ketepatan hasil pencarian 3. Diperlukan penelitian lebih lanjut untuk algoritma stemming bahasa Indonesia,


karena proses pencarian kata dasar sangatlah penting dalam pengembangan sistem mesin pencari. 4. Algoritma sugesti kata dapat dikembangkan lebih lanjut, agar proses pencarian kata sugesti lebih cepat.

Tabel 4. Beberapa Query Hasil Pengujian Sistem No

Query Uji

1 2 3 4 5

sig kesehatan pengolahan citra hama dan gulma hukum

6 7 8 9 10 11 12 13

listrik persalinan sperma kurs valas kepemimpinan kesehatan anak manajemen sistem informasi geografis kriptografi data warehouse

14 15

ID Dokumen Relevan 21,41,65 3,34,37,100 40,51,89 52, 36,55,68, 93,94,95 101,106,108 80 30 74 69,71,73 2,34,37,98 60,83,92,104 21,41,65 32 27

Jumlah data Relevan 3 4 3 1 6

Jumlah Himpunan Hasil 3 12 9 1 7

Jumlah Data Relevan yang muncul 3 4 3 1 6

Precision

Recall

1 0.3333333 0.3333333 1 0.8571429

1 1 1 1 1

3 1 1 1 3 4 4 3

7 1 1 1 3 13 8 45

3 1 1 1 3 4 4 3

0.4285714 1 1 1 1 0.3076923 0.5 0.0666667

1 1 1 1 1 1 1 1

1 1

1 54

1 0.0185185 0.6232679

1 1 1

1 1 Rata-rata

Gambar 6. Tampilan Hasil Aplikasi Pencarian Referensi

49


DAFTAR PUSTAKA [1] Chisholm, E., & Kolda, T. G. (1999). NEW TERM WEIGHTING FORMULAS FOR THE VECTOR SPACE. 20. [2] Hasugian, J. (2008). Penelusuran Online dan Ketersediaan Sumber Daya Informasi Elektronik. Jurnal Studi Perpustakaan dan Informasi, Vol.4, No.1. [3] Manning, C. D., Raghavan, P., & Schutze, H. (2009). An Introduction To Information Retreival. England: Cambridge University Press. [4] Sutisna, U. (2009). Koreksi ejaan query bahasa indonesia dengan algoritma Damerau Levinstain. [5] Karmayasa, O. (2012). Implementasi Vector Space Model dan beberapa Notasi Metode Term Frequency Inverse Document Frequency (TFIDF). Jurnal Elektronik Ilmu Komputer Universitas Udayana, Vol 1, No 1.

50


SUSUNAN DEWAN REDAKSI JELIKU

Recommend Documents