Vol 2, No 2, Tahun 2017

JURNAL MASYARAKAT INFORMATIKA INDONESIA

ISSN: 2541-5093

Vol 2, No 2, Tahun 2017



Analisis Klasifikasi pada Dataset Cerita Anak Indonesia Menggunakan Metode Rule Based Classifier Claudia Ernestina Aurora, Ika Monica, Irasanti Primabara, Lilin



PLAGIARISM DETECTION USING SENTENCE SIMILARITY WITH TEXT ALIGNMENT APPROACH Mufidah Aisyah Rachmat



DETEKSI IMAGE FACE SPOOFING MENGGUNAKAN LOCAL BINARY PATTERN DALAM RUANG WARNA YCBCR Salehah Wijayanti



PERKEMBANGAN E-GOVERNMENT INDONESIA: ANALISIS DAFTAR LAYANAN PUBLIK Endang Amalia



SMART TOUR GUIDE “ANGKOT” Azizah Zakiah, Arief Yulianto



DIGITAL REMINDER CUSTOMER PAYMENT Hari Supriyadi



SISTEM INFORMASI PEMASARAN BERBASIS WEB E-COMMERCE PADA UMKM BINAAN HPP KABUPATEN PANGANDARAN (STUDI KASUS UMKM SIMPATI COLLECTION) Muhammad Benny Chaniago, Asep Nuryanto



Interpretable STS Terjemahan Ayat Alquran dengan Menggunakan Chunking otomatis Maulisye Audina Ulfa



APLIKASI PERHITUNGAN REKAPITULASI DATA ANGGARAN PENGOLAHAN LAHAN DAN AIR PADA DINAS PERTANIAN DAN PERKEBUNAN PROVINSI NTT Emerensiana Ngaga, Frengky Tedy

Jurnal ilmiah dengan bidang ilmu teknik informatika. Terbit 4 kali dalam setahun, setiap bulan Maret, Juni, September, dan Desember.

Ketua Redaksi Feri Sulianta

Dewan Redaksi Fajri Rakhmat Umbara Agung Santoso Pribadi Afief Dias Pambudi Edward Daniel Maspaitella Iqbal Yulizar

Editor Pelaksana Farhan Ferdian Mulyadi Vito Hafiz Ricko Firmansyah

Reviewer Prof The Houw Liong (Institut Teknologi Bandung) Hengky Honggo (STMIK MDP Palembang) Bahar Riand Passa (Nanyang Technological University) Dwi Aryanta (ITENAS) Eko Cahyanto ( Universitas Gunadarma) Cholid Fauzi (ST Inten) Wawan Kurniawan (ASMTB) Titan Halim (Universitas BINUS) Muksin Wijaya (STMIK LIKMI) Muhhammad Sufyan Abdurrahman (Universitas TELKOM)

SEKRETARIAT TIM KOMUNIKA INFORMATIKA Jl. Gatot Subroto 153 C, Bandung 40273 e-mail: [email protected] / [email protected] website: http://www.e-jmii.org

PENGANTAR REDAKSI

Merupakan pencapaian yang luarbiasa menggembirakan bagi kami untuk menerbitkan JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII) yang sifatnya independen, sebagai wujud kontribusi kami kepada masyarakat Indonesia dalam dunia edukasi. Hal inilah yang menjadi landasan esensial kami untuk menerbitkan jurnal ini. Tujuan dari jurnal ini adalah sebagai wadah untuk mensosialisasikan hasil penelitian dari berbagai pihak terkait ranah atau rumpun ilmu Teknik Informatika dengan berbagai bidang kajian seperti Sistem Informasi, Basis Data, Data Mining, Jaringan Komputer & Internet, Kecerdasan Buatan, Komputer Forensik, Pengolahan Citra Digital, Humaniora yang melibatkan Teknologi Informasi dan lainnya. Kami berterima kasih pada para penulis dan peneliti yang sudah berkontribusi dalam mengirimkan hasil penelitiannya untuk diterbitkan pada jurnal ini. Dan kami pun mengajak masyarakat Indonesia untuk terlibat dalam terbitan konten jurnal ini pada edisi – edisi selanjutnya. Akhir kata, kami berkomitmen untuk terus meningkatkan kualitas jurnal ini dan berharap agar jurnal ini dapat terus memberikan kontribusi bagi masyarakat Indonesia dalam ranah keilmuan Informatika.

REDAKSI

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093

Jurnal Nasional JMII 2017

4


Analisis Klasifikasi pada Dataset Cerita Anak Indonesia Menggunakan Metode Rule Based Classifier Claudia Ernestina Aurora, Ika Monica, Irasanti Primabara, Lilin Program Studi S1 Teknik Informatika Universitas Telkom Jalan Telekomunikasi No.1 Bandung, Indonesia [email protected], [email protected], irasantipr@ students.telkomuniversity.ac.id , [email protected]

Abstrak Cerita anak indonesia merupakan suatu sarana atau media pengetahuan dan hiburan yang diperuntukkan untuk anak-anak Indoneisa. Dalam internet, banyak sekali terdapat cerita anak yang bisa saja kontennya mengandung kata-kata negatif yang kurang baik bila dibaca oleh anak. Untuk dapat mengetahui apakah konten cerita yang ada pada cerita anak itu banyak mengandung kata yang positif atau negatif, maka dilakukanlah suatu analisis klasifikasi yang bertujuan untu mengetahui positif atau negatifnya suatu konten pada cerita anak Indonesia online [8]. Untuk menjalankan analasis tersebut, diperlukan suatu metode klasifikasi yang tepat sesuai dengan kasus yang ada. Oleh karena itu, teknik analasis klasifikasi digunakan oleh penulis untuk mengelompokkan suatu ceita ke dalam kelompok positif atau negatif adalah dengan menggunakan metode Rule-Based Classifier. Dengan metode ini, pengklasifikasian dibangun dengan rule yang telah ditentukan oleh penulis sehingga dapat tergambar hasil dari klasifikasi yang dilakukan[4]. Kata Kunci : cerita, anak, indonesia, klasifikasi, Rule-based Classifier

Abstract Indonesian kids stories have became one of many ways that used for knowledge and entertainment media for Indonesian kids. That stories can be access by everyone, everywhere, and everytime by using internet. In the internet, there are stories that probably have some inappropriate words that shouldn’t be shown in the kids stories. For knowing the positive status or negative status of document, we have to make analysis for document classification.

Analysis for document classification should chose the right method for classification. Classification method that we use is Rule-based Classifier. Rule-based Classifier is a classification method that classifying set of documents by rule that have been made by authors. Keywords: story, kids, classification, Rule-based Classifier

Indonesian,

I. PENDAHULUAN Perkembangan teknologi yang semakin pesat menyebabkan banyaknya informasi yang semakin besar tersimpan dalam internet. Salah satunya adalah cerita anak. Banyak orang tua di Indonesia yang memanfaatkan teknologi internet sebagai sarana untuk membuat anaknya dapat belajar melalui cerita-cerita anak yang tersedia di internet. Ceritacerita anak indonesia yang tersebar di internet bisa saja memiliki kata-kata atau konten yang ‘negatif’ sehingga perlu dilakukannya analisis terhadap cerita anak indonesia. Untuk mengetahui apakah konten cerita anak Indonesia pada internet termasuk ke dalam kelompok cerita positif atau negatif, dilakukanlah analisis klasifikasi pada cerita-cerita anak tersebut. Dalam proses klasifikasi ini melibatkan beberapa tahapan, antara lain : 1. 2. 3. 4.

Crawling data pada website cerita anak Indonesia Melakukan preprocessing pada dataset yang didapat dari hasil crawling Melakukan klasifikasi Mengevaluasi hasil klasifikasi[3]

Metode preprocessing yang digunakan pada kasus ini adalah Principle Component Anaylisi atau


5

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 PCA. Metode PCA bertujuan untuk mencari termterm yang sering muncul pada setiap dataset dokumen cerita anak Indonesia yang ada. Setelah melakukan preprocessing menggunakan metode PCA, lalu dilakukanlah proses klasifikasi dengan metode Rule-based Classifier. Pada metode ini,pengklasifikasian dilakukan dengan membuat sebuah rule pengklasifikasian sehingga dari rule yang telah dibuat tersebut cerita akan dikelompokkan sesuai dengan kelas atau label cerita yang ada. Selain dengan metode klasifikasi Rule-based Classifier, metode lain yang digunakan adalah metode Naive Bayes Classifier. Tujuan dilakukannya pengklasifikasian dengan dua teknik yang berbeda adalah untuk menjadi pembanding dan pencarian akurasi terhadap pengklasifikasian Rule-based Classifier[4]. Pengklasifikasian suatu cerita dikatakan kelompok cerita positif atau negatif adalah dengan melihat term-term yang muncul pada cerita tersebut lalu dilakukan identifikasi terhadap term yang ada. Identifikasi yang dilakukan adalah dengan mencari term positif dan term negatifnya. Dengan dilakukannya pengklasfikasian ini, dapat diketahuilah cerita anak Indonesia mana yang termasuk ke dalam cerita positif atau cerita negatif.

5. Perkembangan teknologi perangkat lunak untuk data mining (ketersediaan teknologi). 6. Perkembangan yang hebat dalam kemampuan komputasi dan pengembangan kapasitas media penyimpanan. [2] Data mining adalah salah satu bagian dari proses pencarian pola. Berikut ini urutan proses pencarian pola: 1.

2.

3.

4.

5.

II. KAJIAN LITERATUR 6.

A. Data Mining Data mining atau penggalian data adalah suatu proses dalam analisis data dari perspektif yang berbeda dan menyederhanakannya ke dalam informasi yang berguna, yaitu informasi yang dapat digunakan untuk meningkatkan pendapatan, memotong biaya, atau keduanya. [1] Latar belakang adanya data mining adalah sebagai berikut. 1. Pertumbuhan yang cepat dalam kumpulan data. 2. Penyimpanan data dalam data warehouse, sehingga seluruh perusahaan memiliki akses ke dalam database yang baik. 3. Adanya peningkatan akses data melalui navigasi web dan intranet. 4. Tekanan kompetisi bisnis untuk meningkatkan penguasaan pasar dalam globalisasi ekonomi.

Pembersihan data Pada proses ini akan dilakukan penghapusan data pengganggu (noise) dan melakukan pengisian data yang hilang (missing value). Integrasi data Pada proses in akan dilakukan penggabungan dari berbagai sumber data. Pemilihan data Pada proses ini akan dilakukan pemilihan data yang relevan. Transformasi data Pada proses ini akan dilakukan transformasi data ke dalam format untuk diproses dalam penggalian data. Evaluasi pola Pada proses ini akan dilakukan pengenalan pola-pola menarik yang mewakili knowledge yang tersimpan pada data berdasarkan pengukuran yang telah ditentukan Penyajian pola atau Penyajian knowledge Pada proses ini akan visualisasi pola ke pengguna dan membantu user memahami hasil dari data mining yang telah dilakukan [3]

B. Metode Classification Metode Classification adalah sebuah metode dari data mining untuk memprediksi kategori atau kelas dari suatu instance berdasarkan sekumpulan atributatributyang adapada data tersebut[4]. Ada dua langkah dalam metode classification untuk mengklasifikasikan data. Langkah pertama adalah Learning. Pada langkah ini, classifier dibangun berdasarkan sekumpulan kelas atau kategori yang sudah ditentukan dari data. Langkah ini disebut learning step atau training step, dimana sebuah algoritma classification membangun classifier dengan menganalisis atau “belajar dari” sebuah training set. Setelah dilakukannya proses learning, langkah


6

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 selanjutnya Classification. Pada langkah ini, classifier yang sudah dibangun akan digunakan untuk mengklasifikasi data. Akurasi dari prediksi classifier tersebut akan diperkirakan dengan beberapa cara. Jika menggunakan training set untuk mengukur akurasi dari classifier, maka estimasi akan optimis karena data yang digunakan untuk membentuk classifier adalah training set juga. Oleh karena itu, digunakan test set, yaitu sekumpulan tuple beserta class labelnya yang dipilih secara acak dari dataset. Test set bersifat independen dari training set dikarenakan test set tidak digunakan untuk membangun classifier Tahapan dari klasifikasi dalam data mining terdiri dari : 1.

2.

3.

Pembangunan model, dalam tahapan ini dibuat sebuah model untuk menyelesaikan masalah klasifikasi class atau atribut dalam data, model ini dibangun berdasarkan training set-sebuah contoh data dari permasalahan yang dihadapi, training set ini sudah mempunyai informasi yang lengkap baik attribut maupun classnya Penerapan model, pada tahapan ini model yang sudah dibangun sebelumnya digunakan untuk menentukan attribut / class dari sebuah data baru yang attribut / classnya belum diketahui sebelumnya Evaluasi, pada tahapan ini hasil dari penerapan model pada tahapan sebelumnya dievaluasi menggunakan parameter terukur untuk menentukan apakah model tersebut dapat diterima [4]

sampling yang efektif adalah output dengan penggunaan sampel sama bagusnya dengan penggunaan data keseluruhan yang dapat diartikan sampel sudah representatif. 2.

Agregasi Agregasi adalah suatu teknik yang mengkombinasikan dua atau lebih atribut) atau objek) menjadi satu atribut (atau objek)

3.

Pengurangan dimensi. Pengurangan dimensi adalah suatu teknik yang bertujuan untuk mengurangi penggunaan memori, memudahkan visualisasi data dan menghindari Curse of Dimensionality yaitu fenomena dimana analisis data menjadi sulit disebabkan pertambahan dimensi data dan data menjadi tersebar atau sparse. Teknik yang digunakan untuk pengurangan dimensi adalah Principle Component Analysis (PCA), Singular Value Decomposition, Feature Subset Selection dan lain-lain. [6]

D. Korpus Korpus (corpus) adalah bagian dari pustaka teks elektronik, yang dibangun dengan kriteria untuk tujuan khusus. Korpus terdiri dari kumpulan katakata yang dapat dimanfaatkan dalam proses mining[3]. Beberapa hal yang perlu diperhatikan dalam membangun korpus adalah sebagai berikut : a) Perencanaan dan rancangan korpus

C. Preprocessing Preprocessing adalah suatu proses pengolahan data awal sebelum data tersebut diolah dengan teknik data mining. Tujuan dari preprocessing ini adalah untuk mentransformasikan data ke suatu format yang prosesnya lebih mudah dan efektif untuk kebutuhan user [5]. Ada beberapa metode yang digunakan dalam preprocessing antara lain sebagai berikut :

b) Pemilihan sumber data c) Ijin dari pemilik data d) Pengumpulan data dan pengkodeannya e) Penanganan korpus. [7]

E. Proses Crawling 1.

Sampling Teknik sampling adalah teknik utama yang digunakan untuk memilih data dan biasanya digunakan untuk investigasi data dan analisis data akhir. Prinsip utama

Web crawler adalah suatu program atau script otomatis yang relatif simple dan dengan metode tertentu dapat melakukan scan atau “crawl” ke semua halaman-halaman Internet untuk membuat index dari data yang dicarinya. Nama lain untuk web crawl adalah web spider, web robot, bot, crawl dan


7

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 automatic indexer. Web crawl dapat digunakan untuk beragam tujuan. Penggunaan yang paling umum adalah yang terkait dengan search engine. Search engine menggunakan web crawl untuk mengumpulkan informasi mengenai apa yang ada di halaman-halaman web publik. Tujuan utamanya adalah mengumpukan data sehingga ketika pengguna Internet mengetikkan kata pencarian di komputernya, search engine dapat dengan segera menampilkan web site yang relevan [10].

F. Evaluasi Klasifikasi Pengklasifikasian cerita anak dilakukan dengan beberapa cara, antara lain pengklasifikasian secara manual, rule-based classifier, dan naive bayes classifier. Dari setiap hasil yang diperoleh dari classifiers tersebut, akan diukur tingkat akurasi kesesuaian hasilnya dari hasil yang diperoleh.

Gambar 1 Desain Sistem pada Klasifikasi Cerita Anak Indonesia

Berikut ini adalah penjelasan dari flowchart di atas adalah sebagai berikut :

yang

1.

Pembuatan data corpus Pada tahap ini akan dilakukan pembuatan data corpus berdasarkan dari data corpus bahasa inggris AFINN yang diterjemahkan menjadi bahasa indonesia beserta kata-kata sinonimnya dan diberikan pembobotan tiap kata dari nilai -5 sampai dengan 5 [9].

Dari Persamaan 1 di atas, yang memperngaruhi tingkat akurasi adalah data hasil pengklasifikasian yang sama dari tiga classifier dan total data keseluruhan[7].

2.

Proses Crawling dan pembuatan dataset Pada tahap ini dilakukan proses pengambilan data dari website mengenai cerita anak berbahasa Indonesia. Data yang diambil dari website tersebut hanya berupa informasi penting seperti isi cerita beserta judulnya. Dataset yang dibangun dari hasil crawling tersebut adalah kumpulan cerita anak yang memiliki tipe data berupa dokumen.

Adapun formula perhitungan dilakukan adalah sebagai berikut.

akurasi

......................(1)

III. ANALISIS DAN PERANCANGAN Dalam membangun sistem yang dapat menganalisis klasifikasi dataset cerita anak Indonesia ini, ada beberapa hal yang harus dilakukan. Mulai dari melakukan crawling hingga pada visualisasi hasil klasifikasi terhadap cerita anak yang ada. Berikut ini pada Gambar 1 adalah flowchart dari sistem yang akan dibangun adalah sebagai berikut :

Dalam proses crawling yang dilakukan, ada beberapa keyword yang digunakan, seperti yang tertera pada Tabel 1 di bawah ini


8

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 Tabel 1 Keyword yang digunakan untuk Crawling Dataset cerita anak Indonesia

Tabel 2 Dataset Hasil Crawling NO

Keyword

Dataset Cerita Anak Indonesia

Hasil Pencarian 1

Dongeng anak

Cerita Anak Dan Ayah Yang Mengharukan - Cerita anak Islami.txt

1. Cerita pendek anak-anak, dongeng, ilmu pengetahuan umum, tokoh ilmuwan dan penemu

2

Cerita pendek anak-anak

2. Cerita Rakyat Cindelaras - Dongeng Nusantara » LokerSeni

3

Cerita Rakyat Cindelaras - Dongeng Nusantara » LokerSeni.txt

3. Cerita Rakyat Danau Toba - Dongeng Legenda Nusantara » LokerSeni

4

Cerita Rakyat Danau Toba - Dongeng Legenda Nusantara » LokerSeni.txt

4. Cerita Rakyat Malin Kundang » LokerSeni 5. Dongeng Anak Cerita si Kancil Dan Kerbau yang Malas

5

Cerita Rakyat Keong Mas - Legenda Nusantara » LokerSeni.txt

6

Cerita Rakyat Lutung Kasarung - Cerita Legenda Indonesia » LokerSeni.txt

6. Dongeng Burung Bangau dan Seekor Ketam 7. Dongeng Burung Merpati Putih Dan Burung Gagak Hitam

Cerita Rakyat Timun Mas - Cerita Legenda Jawa Tengah » LokerSeni.txt

9

Dongeng Anak Cerita si Kancil Dan Kerbau yang Malas.txt

10

Dongeng Ayam Kate Yang Kurang Mujur Dan Besar Kepala.txt

10. Cerita Rakyat Lutung Kasarung - Cerita Legenda Indonesia » LokerSeni

11

Dongeng Burung Bangau dan Seekor Ketam.txt

11. Cerita Rakyat Timun Mas - Cerita Legenda Jawa Tengah » LokerSeni

12

Dongeng Burung Merpati Putih Dan Burung Gagak Hitam.txt

12. Cerita Rakyat Keong Mas - Legenda Nusantara » LokerSeni

13

Dongeng Kisah Bawang Merah Dan Bawah Putih.txt

14

Dongeng Rakyat Cerita Sangkuriang.txt

15

Dongeng Rakyat Telaga Warna.txt

16

Legenda Batu Menangis » LokerSeni.txt

17

Rido Ingin Naik Motor..txt

8. Cerita Anak dan Ayah Yang Mengharukan – Cerita anak Islami

Fabel

9. Dongeng Ayam Kate Yang Kurang Mujur Dan Besar Kepala

Indonesia

Cerita Rakyat Malin Kundang » LokerSeni.txt

8 Cerita anak

Legenda

7

13. Dongeng Kisah Bawang Merah Dan Bawah Putih 14. Dongeng Rakyat Cerita Sangkuriang 15. Dongeng Rakyat Telaga Warna 16. Legenda Batu Menangis » LokerSeni 17. Rido Ingin Naik Motor.

Adapun jumlah dataset yang digunakan dalam klasifikasi ini adalah 17 cerita anak yang tertera pada Tabel 2 sebagai berikut:

3.

Preprocessing Setelah didapatkannya dataset berdasarkan hasil crawling yang telah dilakukan, maka proses data mining selanjutnya adalah preprocessing. Adapun tahapan-tahapan yang dilakukan dalam preprocessing seperti yang tertera pada Gambar 2 di bawah ini.


9

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 anak Islami.txt 2

Cerita pendek anak-anak, dongeng, ilmu pengetahuan umum, tokoh ilmuwan dan penemu.txt

0

0

-2

0

3

Cerita Rakyat Cindelaras - Dongeng Nusantara » LokerSeni.txt

0

0

-2

0

4


1

0

-2

0

5


1

0

-2

0

6

Cerita Rakyat Lutung Kasarung Cerita Legenda Indonesia » LokerSeni.txt

0

0

-2

0

7


1

0

-2

0

8


1

0

0

0

9


1

3

0

0

10


1

3

0

0

11


1

3

0

0

12


1

3

0

0

13


1

3

-2

0

Gambar 2 Proses Preprocessing pada klasifikasi cerita anak

a.

Case folding Pada tahap ini akan dilakukan pengubahan semua huruf menjadi kecil dan menghilangkan semua yang bukan huruf, seperti angka,simbol dan lain-lain.

b.

Tokenizing Pada tahap ini akan dilakukan pemotongan terhadap string hasil dari crawling menjadi karakter.

c.

Filtering Pada tahap ini akan dilakukan pengambilan kata-kata yang penting dari hasil tokenizing dengan cara menghilangkan kata-kata yang tidak penting seperti yang, di, dan, dari, dan lain-lain. Metode preprocessing yang digunakan pada kasus ini adalah metode Principle Component Analysis (PCA)[11]. Dengan menggunakan metode PCA ini, preprocessing yang dilakukan adalah dengan cara mencari term yang paling sering muncul pada suatu dokumen dan divisualisasikan menjadi sebuah tabel matriks. Tabel matriks tersebut memiliki beberapa feature atau term yang digambarkan dengan tabel matriks horizontal, dan memiliki beberapa dataset dokumen yang digambarkan dengan tabel matriks vertikal. Hasil yang didapatkan dari PCA ini adalah tabel term-document matrix seperti pada Tabel 3 berikut.

Tabel 3 Hasil Preprocessing PCA dan pembobotan term No 1

Nama File Cerita Anak Dan Ayah Yang Mengharukan - Cerita

bisa 1

meng hibur

pergi

3

-2

dongen g 0


10


14


1


1

16


0

0

0

0

17


1

0

0

0

15

3

-2

0

5. 3

-2

Menghitung Persentase Term Positif dan Term Negatif pada Setiap Dokumen

0

Untuk menghitung persentasi positif dan negatif untuk setiap dokumen yang ada, maka rumus yang digunakan adalah sebagai berikut :

..........(2) Pada Tabel 3 di atas adalah salah satu contoh hasil preprocessing PCA. Dapat dilihat bahwa dari dataset yang ada, terdapat beberapa term yang sering muncul pada semua dataset dokumen yang ada. Setiap term tersebut akan menjadi features pada tabel tersebut.

4.

Pembobotan Penentuan bobot untuk setiap term yang ada dilakukan dengan teknik binary. Pembobotan dilakukan secara binary karena jumlah kemunculan suatu term pada dokumen dianggap tidak mempengaruhi positif atau tidaknya dataset cerita anak tersebut[11]. Selain itu, pembobotan dilakukan secara binary dikarenakan agar proses pembagian lebih stabil dibandingnya dengan menggunakan jumlah frekuensi kemunculan term. Penulis lebih menitikberatkan pada jumlah term positif atau term negatif dibanding jumlah kemunculan untuk setiap term positif dan term negatif. Untuk setiap term yang ada akan dicari pada data korpus yang telah dibuat sebelumnya. Jika term tersebut ada pada data korpus tersebut, maka status term tersebut adalah “1”, sedangkan jika term tersebut tidak ditemukan dalam data korpus, maka status term tersebut adalah “0”. Untuk setiap term yang bernilai “1” akan diberikan bobot sesuai dengan skor yang ada pada korpus tersebut, baik itu skor positif maupun skor negatif. Sedangkan untuk term yang bernilai “0” secara otomatis akan diberikan bobot 0. Hasil pembobotan dengan teknik binary dapat dilihat pada Tabel 3 di atas.

......(3) keterangan : pt(p)

: persentase term positif

pt(n)

: persentase term negatif

stn : skor term negatif stp : skor term positif Pada Persamaan 2 dan Persamaan 3, skor term diperoleh dari hasil pembobotan pada korpus yang ada, sehingga setiap term yang muncul memiliki bobot sesuai dengan bobot pada skor korpus yang ada Perhitungan persentase positif dan persentase negatif menggunakan rumus sederhana yang biasa digunakan pada pencarian peluang-peluang pada berbagai kasus. Pada kasus ini, yang menjadi penentun nilai suatu dokumen dikatakan dokumen positif atau negatif adalah jumlah skor term positif, jumlah skor term negatif, dan jumlah skor term keseluruhan. Dengan menerapkan formula pada Persamaan 2 dan Persamaan 3, maka persentase positif dan negatif tiap dokumen akan diketahui dan persentase tersebut akan dimanfaatkan untuk tahap selanjutnya, yaitu klasifikasi. . 6.

Pengklasifikasian Dokumen Pada tahap ini, setelah kita mengetahui persentase dokumen positif dan persentase dokumen negatif, maka dilakukanlah


11

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 pengklasifikasian dengan teknik rule-base classifier. Jika pt(p) lebih besar dari pt(n) maka dokumen tersebut kelas positif dan sebaliknya.

Perhitungan persentase term positif dan persentase term negatif dilakukan dengan menerapkan formula pada Persamaan 2 dan Persamaan 3. Adapun hasil perhitungan persentase term positif dan persentase term negatif yang di dapat dari Persamaan 2 dan Persamaan 3 tertera pada Tabel 4 di bawah ini

Adapun rule yang digunakan untuk mengklasifikasikan dataset cerita anak tersebut adalah sebagai berikut :

Tabel 4 Hasil Perhitungan Persentase Term Positif dan Persentase Term Negatif

if (pt(p) > pt(n)) then { output (“Termasuk Cerita Positif”);

No

Dokumen

Persenta se Term Positif

} else { output Negatif”);

(“Termasuk

Cerita

1

Persen tase Term Negatif

Cerita Anak Dan Ayah Yang Mengharukan Cerita anak Islami.txt

66,48%

33,51%

Cerita pendek anak-

63,90%

36,18%

3

Cerita Rakyat Cindelaras Dongeng Nusantara » LokerSeni.txt

61,81%

38,18%

4


70,53%

29,46%

5


65,51%

34,48%

6


80,16%

19,83%

7


75,47%

24,51%

8


72,72%

27,27%

9


63,63%

36,36%

10


54,92%

45,07%

11

Dongeng Bangau dan Ketam.txt

58,24%

41,75%

} 2 anak

Dari rule di atas, maka keluaran yang didapat dari proses klasifikasi adalah “Termasuk Cerita Positif” atau “Termasuk Cerita Negatif”. 7.

Data Hasil Klasifikasi Data klasifikasi yang dihasilkan berupa dokumen CSV yang berisi nama dokumen, persentase term positif dan persentase term negatif pada setiap dokumen serta kelas klasifikasi dokumen berupa kelas dokumen positif atau kelas dokumen negatif.

Dalam pembangunan sistem klasifikasi terhadap dataset cerita anak Indonesia, terdapat skenario pengujian yang dilakukan. Skenario pengujian yang dilakukan pada analasis klasifikasi cerita anak Indonesia adalah sebagai berikut : a. Mengukur performansi pada dataset yang ada berdasarkan Persamaan 2 dan Persamaan 3 b. Melakukan klasifikasi dengan beberapa metode amatara lain Rule-based Classifier dan metode Naive Bayes Classifier c. Membandingkan hasil antara kedua metode klasifikasi tersebut A. Perhitungan Persentase Term Positif dan Persentase Term Negatif pada setiap Dokumen


Burung Seekor

12


12


56,96%

43,03%

13


57,75%

42,24%

14


52,70%

47,29%

15

Dongeng Telaga Warna.txt

60,20%

39,79%

Rakyat

Tabel 5 Hasil Klasifikasi secara Manual

16


68,14%

31,85%

17

Rido Motor..txt

51,83%

48,16%

Ingin

Naik

secara manual dengan perhitungan manual, bukan pengklasifikasian dengan menggunakan sistem. Berikut merupakan hasil klasifikasi manual pada Tabel 5 di bawah ini

Dari hasil perhitungan persentase pada Tabel 4 di atas dapat pula divisualisasikan dengan grafik pada Gambar 3 di bawah ini.

Gambar 3 Grafik Persentase Term Positif dan Term Negatif pada semua dokumen

Dokumen

Persentase Term Positif

Persentase Term Negatif

Hasil Klasifik asi


66,48%

33,51%

Positif


63,90%

36,18%

Positif


61,81%

38,18%

Positif


70,53%

29,46%

Positif

Cerita Rakyat Keong Mas Legenda Nusantara » LokerSeni.txt

65,51%

34,48%

Positif


80,16%

19,83%

Positif


75,47%

24,51%

Positif


72,72%

27,27%

Positif

Dongeng Anak Cerita si Kancil Dan Kerbau

63,63%

36,36%

Positif

B. Klasifikasi Dokumen Positif dan Negatif Penentuan klasifikasi suatu dokumen dikatakan positif atau negatif adalah dengan menerapkan teknik Rule-based Classifier. Teknik ini akan melakukan klasifikasi dengan rule yang telah ditentukan oleh penulis. Dengan menerapkan rule yang telah ditentukan, maka proses klasifikasi dapat dilakukan. Namun dalam hal ini, proses klasifikasi dilakukan


13

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 yang Malas.txt

Classifier.


54,92%

45,07%

Positif


58,24%

41,75%

Positif


56,96%

43,03%

Positif


57,75%

42,24%

Positif


52,70%

47,29%

Positif


60,20%

39,79%

Positif


68,14%

31,85%

Positif


51,83%

48,16%

Positif

Pengklasifikasian tidak hanya dilakukan dengan metode Rule-based Classifier, tetapi juga menggunakan Naive Bayes Classifier. Pada metode ini, pengklasifikasian dilakukan dengan klasifikasi probabilitas kondisional [6]. Proses klasifikasi dengan metode Naive Bayes Classifier dilakukan pada software Weka. Berikut padaGambar 4 dan Gambar 5 merupakan hasil klasifikasi Naive Bayes

Gambar 4 Hasil Klasifikasi Naive bayes Classifier pada Weka secara ringkas

Gambar 5 Salah satu hasil klasifikasi Naive Bayes Classifier secara detail

C. Pengujian dan Analisis Hasil Perbandingan Klasifikasi Cerita Anak Indonesia Dalam analisis klasifikasi cerita anak Indonesia ini, ada dua metode klasifikasi yang digunakan, yaitu Rule-based Classifier dan Naive Bayes Classifier. Pengklasifikasian dilakukan dengan dua metode bertujuan untuk dapat membandingkan hasil klasifikasi dengan metode yang dipilih dan untuk mengetahui tingkat akurasi dari hasil klasifikasi Rulebased Classifier sehingga hasil yang didapat pun akurat dan tepat.


14

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 Pengujian klasifikasi dilakukan pada 17 dataset dan 7 dataset. Hal ini dilakukan untuk melihat dan mengethui perbandingan dari hasil yang didapat pada kedua metode ini. Berdasarkan pada Tabel 5, hasil metode klasifikasi Rule-based Classfier dengan menggunakan 17 dataset memberikan kesimpulan bahwa semua cerita anak yang ada pada dataset termasuk ke dalam kelas cerita anak positif karena persentase term positif lebih besar dibandingkan persentase term negatif untuk setiap dokumen cerita anak yang ada. Lalu berdasarkan pada Gambar 4 dan Gambar 5, hasil klasifikasi dataset cerita anak dengan menggunakan metode Naive Bayes Classifier pun termasuk ke dalam kelas cerita anak yang positif.


75,47%

24,51%

Positif

Tabel 6 Hasil Klasifikasi Manual pada 7 dataset Dokumen

Persentase Term Positif

Persentase Term Negatif

Hasil Klasifikasi


66,48%

33,51%

Positif


63,90%

36,18%

Positif


61,81%

38,18%

Positif

Cerita Rakyat Danau Toba Dongeng Legenda Nusantara » LokerSeni.txt

70,53%

29,46%

Positif


65,51%

34,48%

Positif

Cerita Rakyat Lutung Kasarung Cerita Legenda Indonesia » LokerSeni.txt

80,16%

19,83%

Positif

Gambar 6 Hasil klasifikasi Naive Bayes Classifier pada 7 dataset

Sedangkan hasil klasifikasi Rule-based Classfier dengan 7 dataset yang ditunjukkan pada Tabel 7, dapat disimpulan pula bahwa semua cerita anak yang ada pada dataset termasuk ke dalam kelas cerita anak positif karena persentase term positif lebih besar dibandingkan persentase term negatif untuk setiap dokumen cerita anak yang ada. Lalu berdasarkan pada Gambar 6, hasil klasifikasi dataset cerita anak dengan menggunakan metode Naive Bayes Classifier pun termasuk ke dalam kelas cerita anak yang positif. Berikut pada Gambar 7 merupakan perbandingan hasil Rule-based Classfier dan Naive Bayes Classifier pada 17 dataset dan 7 dataset


15

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 n

Gambar 7 Grafik perbandingan hasil Rule-Based Classifier dan naive bayes Classifier

Dalam melakukan pengklasifikasian, diperlukan pula data testing untuk menguji dan memastikan hasil pelabelan yang di dapat dari sistem yang dibangun sudah sesuai atau tidak. Dari 17 dataset yang ada, 5 diantaranya dijadikan data testing. Berikut pada Tabel 6 merupkan hasil pelabelan manual yang dilakukan penulis dengan membaca cerita secara manual.


Positif

Positif


Positif

Positif


Positif

Positif


Positif

Positif


Positif

Positif

Tabel 7 Hasil Label Manual

Dokumen

Hasil Label Manual

Cerita Anak Dan Ayah Yang Mengharukan - Cerita anak Islami.txt

Positif


Positif


Positif

Cerita Rakyat Danau Toba Dongeng Legenda Nusantara » LokerSeni.txt

Positif


Positif

Tabel 8 Perbandingan klasifikasi dengan data testing

Dokume

Predict

Rill

Dengan melihat Tabel 8 yakni hasil perbandingan Rule-based Classifier dengan data testing yang ada, maka dapat disimpulkan bahwa model Rule-based Classifier yang telah dibangun sudah baik dengan tingkat akurasi 100% Berdasarkan hasil keseluruhan yang didapatkan dari pengklasifikasian dengan teknik rule-based classifier dan naive bayes, maka dapat disimpulkan bahwa semua dataset cerita anak Indonesia masuk ke dalam kategori cerita anak yang positif, karena tingkat presentase term positif atau pt(p) lebih tinggi dibandingkan dengan persentase term negatif atau pt(n). Informasi lain yang dapat diperoleh dari hasil pengklasifikasian di atas adalah Cerita Rakyat Lutung Kasarung merupakan cerita anak Indonesia yang memiliki persentase cerita positif tertinggi. Hasil klasifikasi cerita paling positif ini dapat terlihat dari hasil pengklasifikasian dengan teknik rule-based classifier dan dengan perhitungan manual. Sedangkan teknik naive bayes hanya dapat mengklasifikasian dataset yang adalah ke dalam kategori cerita positif dan negatif.


16

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 Perhitungan akurasi dilakukan dengan formula pada Persamaan 1 diatas maka hasil akurasi yang didapatkan adalah sebesar 100% seperti yang tertera pada Tabel 8 di bawah ini

I.1.1.1.1 Referensi [1]

Jason Frand, “Data Mining: What is Data Mining?,” University of California. [Online]. Available: http://www.anderson.ucla.edu/faculty/jason.fr and/teacher/technologies/palace/datamining.h tm. [Accessed: 17-Nov-2016].

[2]

U. S. Utara, “Data Mining,” 2006.

[3]

Osmar R. Zaïane, “Chapter I: Introduction to Data Mining,” Princ. Knowl. Discov. Databases, pp. 1–15, 1999.

[4]

Kemdikbud, “Metode Classification,” 2013.

[5]

Wikipedia, “Data pre-processing Wikipedia,” 2007. [Online]. Available: https://en.wikipedia.org/w/index.php?title=D ata_pre-processing&oldid=733593016. [Accessed: 14-Nov-2016].

[6]

S. of Computing, “Klasifikasi.” Telkom University, Bandung.

[7]

B. Susanto, “KLASIFIKASI PADA TEXT MINING.” 2013.

[8]

“Cerita Anak.org,” 14 November 2016. [Online]. Available: http://www.ceritaanak.org/.

[9]

T. U. o. D. Informatics and Mathematical Modelling, “AFINN,” AFINN, 1 March 2011. [Online]. Available: http://www2.imm.dtu.dk/pubdb/views/public ation_details.php?id=6010. [Diakses 12 November 2016]

[10]

“Wikipedia,” Wikimedia Foundation, 13 September 2016. [Online]. Available: https://en.wikipedia.org/wiki/Web_crawler. [Diakses 11 November 2016].

[11]

G. S. L. Vishal Gupta, “A Survey of Text Mining Techniques and,” Journal Of Emerging Technologies In Web Intelligence, vol. 1, pp. 60-76, 2009.

Tabel 6 Tingkat akurasi pada setiap classifier

Classifier

Akur asi

Rule-based Classifier Naive Bayes Classifier

100% 100%

IV. KESIMPULAN DAN SARAN Pengklasifikasian yang dilakukan pada 17 dataset cerita anak Indonesia dengan menggunakan beberapa teknik yaitu perhitungan manual, pengklasifikasian dengan teknik rule-based classifier dan naive bayes, maka dapat disimpulkan bahwa semua dataset cerita anak Indonesia masuk ke dalam kategori cerita anak yang positif, karena tingkat presentase term positif atau f(p) lebih tinggi dibandingkan dengan persentase term negatif atau f(n). Dan jika ditelusuri lebih jauh lagi, informasi yang dapat kita peroleh adalah Cerita Rakyat Lutung Kasarung merupakan cerita anak Indonesia yang memiliki persentase cerita positif tertinggi. Hasil klasifikasi cerita paling positif ini dapat terlihat dari hasil pengklasifikasian dengan teknik rule-based classifier dan dengan perhitungan manual. Sedangkan teknik naive bayes hanya dapat mengklasifikasian dataset yang adalah ke dalam kategori cerita positif dan negatif.


17


PLAGIARISM DETECTION USING SENTENCE SIMILARITY WITH TEXT ALIGNMENT APPROACH Mufidah Aisyah Rachmat Fakultas Informatika, Jurusan Teknik Informatika Universitas Telkom Jalan Telekomunikasi No.1, Bandung, Indonesia [email protected]

Abstrak Dalam membuat suatu karya tulis atau karya ilmiah tidak dapat dipungkiri bahwa penulis membutuhkan informasi dan referensi dari hasil karya orang lain. Referensi tersebut bisa didapatkan melalui sebuah artikel, buku, paper, atau hasil karya lainnya yang memiliki keterkaitan dengan referensi yang dibutuhkan. Seiring berjalannya waktu, era digital semakin berkembang dan mengakibatkan suatu dokumen mulai direpresentasikan dalam bentuk digital dan dapat di sebarluaskan dengan mudah dengan adanya internet. Hal tersebut mengakibatkan tindakan plagiarisme cenderung lebih mudah dilakukan. Dalam paper ini akan dilakukan pendeteksian plagiarisme menggunakan pendekatan text alignment dengan menggunakan proses (1) Preprocessing (2) Seeding (3) Extension (4) Filtering. Tujuan dari text alignment merupakan mencari pasangan fragmen yang digunakan kembali atau menjadi sumber dari dokumen terduga. Dataset yang digunakan terkategori menjadi beberapa tipe yaitu no plagiarism, no obfuscation, random obfuscation, translation obfuscation, dan summary obfuscation [1] dimana setiap tipe memiliki karakteristiknya masing masing. Adapun dalam penyelesaianya akan digunakan metode sentence similarity menggunakan tf-idf, cosine similarity dan dice coefficient kemudian hasil akhir dari fragmen yang dihasilkan akan dievaluasi dengan 2 evaluasi yaitu evaluasi level kasus dan evaluasi level karakter. Untuk evaluasi pada level kasus didapatkan nilai fmeasure sebesar 0.976761563 sedangkan untuk evaluasi level karakter didapatkan nilai f-measure sebesar 0.708385162.

plagiarisme, text alignment, sentence similarity, cosine similarity, dice similarity, tf-idf, parameter adaptif.

Abstract To make a paper or scientific work can’t be denied that the authors need information and references from other people's work. The reference can be obtained through an article, book, paper, or other works that have relevance to the references that required. Over the time, the growth of digital era makes documents represented as digital documents that can easily accessed in the internet, therefore it's makes anyone can do a plagiarism easily. This paper will explained about plagiarism detection using text alignment approach that have 4 process (1) Preprocessing (2) Seeding (3) Extension (4) Filtering. The purpose of the text alignment is looking for fragments that reused or be a source of suspicious documents. The dataset that used in this research categorized in 5 types : no plagiarism, no obfuscation, random obfuscation, obfuscation translation and summary obfuscation [1] where each type has their own characteristics. In this paper plagiarism detection using sentence similarity with tfidf, cosine similarity dan dice coefficient. The final fragment that resulted form that process will evaluate in two ways. First, use case level evaluation that get 0.976761563 for f-measure value. Second, use character level evaluation that get 0.708385162 for fmeasure value. Keywords : plagiarism, text alignment, sentence similarity, cosine similarity, dice similarity, tf-idf, adaptive parameter.

Kata kunci :


18


I. PENDAHULUAN Dalam membuat suatu karya tulis atau karya ilmiah tidak dapat dipungkiri bahwa penulis membutuhkan informasi dan referensi hasil karya orang lain. Referensi tersebut bisa didapatkan melalui sebuah artikel, buku, jurnal, atau hasil karya lainnya yang memiliki keterkaitan dengan referensi yang dibutuhkan. Pada awalnya karya tulis hanya dituangkan dalam tulisan tangan manusia. Seiring berjalannya waktu, era digital semakin berkembang dan mengakibatkan suatu dokumen mulai direpresentasikan dalam bentuk digital dan dapat di sebarluaskan dengan mudah dengan adanya internet. Dipaparkan dalam [1], melalui hasil penelitian dari IBM, Compac dan Alta Vista terdapat lebih dari 600 juta laman unik yang memiliki variasi topik yang sangat luas. Hal itu memberikan fakta bahwa dalam pencarian suatu topik permasalahan dalam internet sebagian besar akan didapatkan hasil yang relevan dan sesuai dengan kebutuhan. Perkembangan tersebut memberikan kecenderungan seseorang untuk melakukan tindakan plagiat dengan mudah. Seperti yang dijelaskan dalam [2] tindakan plagiarisme dapat dibedakan menjadi dua jenis yaitu literal plagiarism dan intelligent plagiarism. Teknik plagiarisme yang dapat dilakukan untuk literal plagiarism diantaranya adalah melakukan copy-paste secara langsung dan melakukan copy-paste dengan tambahan modifikasi didalamnya. Sedangkan teknik yang digunakan untuk intelligent plagiarism diantaranya adalah mengadopsi ide, mengartikan kedalam Bahasa lain, paraphrasing dan mengambil intisari dalam karya tulis tersebut. Tentu saja semua kegiatan tersebut dilakukan tanpa mencantumkan sumber referensi yang digunakan. Pada umumnya, sistem pendeteksian plagiat biasanya hanya dapat menentukan apakah kedua pasang dokumen yang dinputkan terindikasi plagiat atau tidak, namun belum dapat memberikan informasi bagian mana dari kedua teks yang dapat mengakibatkan pasangan dokumen tersebut diindikasikan plagiat. Dengan menggunakan pendekatan text alignment, setiap bagian dari dokumen dalam pasangan dokumen akan dilihat dan diidentifikasi untuk mendapatkan pasangan bagian dari dokumen sumber yang dipergunakan kembali oleh dokumen yang diduga plagiat. Dalam melakukan identifikasi tersebut, akan dilakukan 4 tahap yaitu (1) Preprocessing, (2) Seeding, (3) Extension dan (4) Filtering [3].

Dalam penelitian sebelumnya, untuk mendapatkan bagian yang saling ber-align antara pasangan dokumen akan dilakukan identifikasi yang tersegmentasi dalam pencarian kesamaan antar kalimat yang dimiliki oleh pasangan dokumen dengan menggunakan ekstraksi fitur term frequencyinverse document frequency (TF-IDF), menggunakan cosine similarity dan dice coefficient untuk menghitung kesamaan antar bagian dokumen dan observasi penggunaan beberapa parameter pada setiap tahap yang dapat menyesuaikan sesuai tipe plagiarisme yang dilakukan [4] [5] [6]. Sedangkan dalam penelitian ini akan dilakukan analisis dalam perbedaan perlakuan dalam tahap preprocessing pada kedua dokumen dan dampak perubahan performansi terhadap perubahan parameter dalam tahap seeding dan extension dan melakukan evaluasi hasil dalam 2 level, yakni level kasus dan level karakter.

II. KAJIAN LITERATUR II.1

Text Alignment

Text alignment merupakan suatu pendekatan yang dapat digunakan dalam mendeteksi apakah kedua pasang dokumen merupakan dokumen yang plagiat atau tidak. Tujuan dari pendekatan ini adalah mencari bagian dari dokumen yang digunakan kembali atau menjadi sumber dari dokumen terduga [3]. Suatu bagian antara dua dokumen dikatakan saling ber-align apabila bagian tersebut memiliki kesamaan yang cukup. Setiap hasil alignment yang terbentuk antar dua dokumen menunjukan fragmen yang mengindikasi pasangan dokumen tersebut terindikasi plagiat atau tidak. Dalam mengidentifikasi fragmen yang ber-align antar kedua dokumen, terdapat 3 tahap khusus yang harus dilakukan, diantaranya adalah II.1.1

PROSES SEEDING

Seeding merupakan tahapan pertama dari pendekatan text alignment. Tujuan dari tahap ini adalah pencarian bakal calon dari dokumen sumber dan dokumen terduga yang memiliki kesamaan diantara keduanya. Dalam tahap ini akan dilakukan pencarian pasangan bagian dokumen yang memiliki kecocokan dalam hal kesamaan yang kemudian disebut sebagai seeds [3]. II.1.2

PROSES EXTENSION

Extension merupakan tahap kedua yang dilakukan setelah mendapatkan hasil seeds dari proses seeding. Tahap ini bertujuan untuk


19

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 memperluas dengan cara menggabungkan hasil seed dengan aturan tertentu sehingga membentuk suatu bagian dimana dokumen sumber dan dokumen terduga saling ber-align [3]. II.1.3

PROSES FILTERING

Setelah proses extension dilakukan, terbentuklah sebuah fragmen yang lebih besar. Tugas dari tahap filtering merupakan meningkatkan ketepatan dari bagian yang terindikasi saling beralign sehingga sesuai dengan parameter yang telah ditentukan [3], sehingga pada tahap ini akan dilakukan pengihalangan bagian bagian yang tidak akurat. II.2

TERM FREQUENCY-INVERSE DOCUMENT FREQUENCY (TF-IDF)

Dalam mengukur kesamaan suatu dokumen teks, dibutuhkan pendaftaran dan pembobotan fitur yang dimiliki oleh dokumen tersebut. Salah satu metode yang dapat digunakan adalah TF-IDF. Dengan menggunakan TF-IDF setiap dokumen akan direpresentasikan menjadi vektor yang berisikan setiap bobot fitur yang dimiliki oleh dokumen tersebut. Term frequency merupakan suatu metode pembobotan yang memperhitungkan jumlah kemunculan suatu term didalam suatu dokumen. Semakin banyak term tersebut muncul dalam dokumen tersebut maka term tersebut semakin penting. TF dapat dinotasikan kedalam rumus (1) dimana d berarti dokumen dan t berarti term yang terdapat di dokumen tersebut. (1) Berbeda dengan TF, IDF merupakan suatu metode yang digunakan untuk memperhitungkan kemunculan term atau kata pada setiap dokumen. Suatu term dinilai penting apabila memiliki frekuensi kemunculan yang tinggi, namun apabila term tersebut muncul di setiap dokumen maka term tersebut merupakan term umum dan tidak dapat dijadikan pembeda atau ciri khas. Menggunakan IDF term yang muncul di banyak dokumen akan semakin kecil nilainya. Nilai IDF didapat dari perhitungan log basis 10 dari hasil pembagian jumlah seluruh dokumen terhadap jumlah dokumen dimana term tersebut muncul secara lebih jelas dapat dilihat pada rumus (2).

(2) Bobot dari suatu dokumen dapat dihasilkan melalui perkalian hasil perhitungan TF dan IDF yang dirumuskan dalam rumus (3). (3) II.3

COSINE SIMILARITY

Perhitungan kesamaan suatu teks misalkan dokumen menggunakan cosine similarity didapatkan dari hasil pembagian perkalian dot dari kedua vektor yang dihasilkan oleh fitur masing masing dokumen dengan perkalian panjang masing masing vektor kedua dokumen, secara lebih jelasnya dapat dijelaskan dalam rumus (4). (4) II.4

DICE COEFFICIENT

Perhitungan kesamaan suatu teks misalkan dokumen menggunakan dice coefficient didapatkan dari hasil pembagian 2 dikali jumlah term yang terdapat di kedua dokumen terhadap perkalian jumlah term yang muncul pada masing masing dokumen yang dirumuskan dalam rumus (5). (5)

III. ANALISIS DAN PERANCANGAN Sistem pendeteksian plagiarisme yang dibangun dalam penelitian ini dibangun dalam beberapa tahap yang diantaranya adalah (1) Preprocessing, (2) Seeding, (3) Extension dan (4) Filtering. Sistem akan menerima inputan berupa 2 dokumen yaitu dokumen sumber dan dokumen terduga. Kedua dokumen tersebut kemudian dipasangkan dan akan dianalisis apakah terdapat fragmen yang ada dalam dokumen sumber yang digunakan kembali dalam dokumen terduga. Hasil keluaran dari sistem merupakan fragmen dari masing masing dokumen yang diidentifikasi menjadi bagian plagiat dan status pasangan dokumen tersebut yang di bagi menjadi 2 kelas yaitu kelas bukan plagiat dan plagiat secara umum proses dapat dilihat pada gambar 1. Sebelum memasuki proses seeding, kedua dokumen yang diinputkan akan dilakukan proses


20

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 preprocessing. Tahap preprocessing yang digunakan dalam penelitian ini adalah 1. Pemisahan setiap kalimat dalam dokumen menjadi suatu unit tunggal. 2. Mengkonversi kalimat kedalam bentuk lowercase. 3. Menghilangkan tanda baca dan tokenisasi. 4. Melakukan konversi angka sederhana, bulan dan hari kedalam bentuk standar. 5. Melakukan perubahan kata menjadi kata dasar.

dalam proses extension, yang pertama adalah 4, maxGap ini diperuntukan kepada tipe selain summary obfuscation. Adapun maxGap yang kedua sebesar 24 diperuntukan khusus untuk tipe summary obfuscation yang biasanya memiliki fragmen dokumen sumber 3 kali lebih panjang dibandingkan dokumen terduga [5].

Gambar 9 Skema Proses Extension

Gambar 8 Skema Umum Sistem

Tahapan preprocessing menghasilkan setiap fitur kalimat yang dimiliki oleh dokumen sumber dan dokumen terduga. Selanjutnya akan dilakukan proses ektraksi fitur yang merpakan sub proses dari tahap seeding menggunakan TF-IDF. Setiap kalimat dalam dokumen akan membentuk suatu vektor berukuran [1xn] dimana n merupakan jumlah kosa kata yang terdapat dalam dua dokumen. Selanjutnya setiap fitur kalimat antara dua dokumen yang terbentuk akan dipetakan secara fully connected untuk dihitung kesamaannya menggunakan dice coefficient dan cosine similarity. Setiap pasangan kalimat yang memiliki nilai kesamaan melebihi threshold yang ditentukan maka pasangan tersebut ditambahkan kdalam sebuah himpunan yang dinamakan seeds [5]. Setelah didapatkan hasil pasangan kalimat sebagai bakal calon fragmen antara kedua dokumen, selanjutnya akan dilakukan proses extension yang berguna untuk memperluas seeds dengan cara menggabungkan setiap kalimat yang jaraknya kurang dari maxGap yang ditentukan. Terdapat dua buah kemungkinan maxGap yang akan dipergunakan

Tahapan pada proses extension akan dilakukan secara rekursif dengan proses yang dijalankan pada hasil seeds pada sisi dokumen terduga, selanjutnya dari hasil extension pada dokumen terduga akan dijadikan inputan untuk proses extension pada hasil seeds di sisi dokumen sumber. Setiap hasil pasangan fragmen yang terbentuk akan dihitung kembali nilai kesamaannya menggunakan cosine similarity dan apabila pasangan fragmen tersebut nilai kesamaannya tidak melebihi threshold yang ditentukan, maka akan dilakukan decreament nilai maxGap sampai keadaan fragmen tersebut diterima atau maxGap belum bernilai 1. Sebaliknya apabila fragmen yang dihasilkan memiliki kesamaan melebihi threshold maka fragmen akan diinputkan. Setiap pasangan fragmen yang dihasilkan dari proses extension kemudian akan melalui validasi kembali dalam tahap filtering. Didalam proses filtering terdapat 2 sub proses yang diantaranya adalah 1. 2.

Penghapusan pasangan fragmen yang memiliki panjang kurang dari 150 karakter. Pengilangan kasus fragmen yang saling beririsan [5].


21

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 Untuk mengevaluasi hasil yang didapat dari sistem terdapat 2 level evaluasi yaitu evaluasi berdasarkan kasus dan evaluasi berdasarkan karakter. Evaluasi pada level ini bertujuan untuk mengetahui apakah suatu sistem telah optimal dalam mendeteksi suatu dokumen terduga terindikasi melakukan plagiat dengan dokumen sumber. Evaluasi dalam level ini akan diperhitungkan menggunakan precision, recall, dan F-Measure. Untuk mendapatkan ketiga nilai tersebut, akan dibentuk sebuah confusion matrix yang dibangun oleh perhitungan 4 kategori yaitu true positive (TP), false positive (FP), false negative (FN) dan true negative (TN). Berbeda dengan hasil evaluasi kasus yang hanya memperhitungkan kemampuan sistem untuk mengindikasi plagiat atau bukan, pada evaluasi berbasis karakter setiap fragmen yang ditebak oleh sistem akan diperhitungkan kesesuaiannya dengan fragmen yang seharusnya. Recall merupakan suatu representasi proporsi banyaknya karakter yang beririsan dari setiap potongan dokumen yang bersesuaian antara kondisi aktual (direpresentasikan dengan s) dan kondisi hasil deteksi sistem (direpresentasikan dengan r) terhadap seluruh karakter s. Sedangkan precision merupakan suatu representasi proporsi banyaknya karakter yang beririsan dari setiap potongan dokumen yang bersesuaian antara kondisi aktual s dan kondisi hasil deteksi sistem r terhadap seluruh karakter r [7]. Secara lengkap perhitungan recall, precision, dan FMeasures untuk masing masing evaluasi dapat dilihat dalam tabel 1. Jenis Evaluasi

Berdasarkan Karakter

Berdasarkan Kasus

Recall

Precision FMeasures Tabel 7 Perhitungan Evaluasi

Dataset yang digunakan dalam penelitian ini diambil dari kompetisi PAN - CLEF 2014 dengan kategori Plagiarism Detection dengan pendekatan Text Alignment. Terdapat 3 buah data yang masing masingnya terdapat 5 buah tipe plagiarism yang

berbeda dengan persebaran yang dapat dilihat dalam tabel 2. Tipe Plagiarisme (Plagiat : Bukan Plagiat) Nama Dataset NP NO RO TO SO Training 0:1000 1000:0 1000:0 1000:0 238:947 Testing 0:90 108:0 94:0 105:0 24:97 C1 Testing 0:1000 1000:0 1000:0 1000:0 236:949 C2 Tabel 8 Persebaran Data dalam Dataset

Keterangan : NP

= No Plagiarism

NO

= No Obfuscation

RO

= Random Obfuscation

TO

= Translation Obfuscation

SO

= Summary Obfuscation

Dalam penelitian ini, terdapat beberapa skenario yang dijalankan dan diobservasi diantaranya adalah 1.

2. 3.

Pemilihan teknik preprocessing : lemmatization (A), lemmatization tanpa menggunakan POS tagging (B), dan stemming (C). Pemilihan threshold untuk kesamaan pada proses seeding : 0.25 (A), 0.33 (B), dan 0.42 (C). Pemilihan threshold untuk kesamaan pada proses extension : 0.3 (A), 0.4 (B), dan 0.48 (C).

Sedangkan untuk nilai maxGap dan maxGapSummary yang digunakan pada proses extension dan nilai minplaglength dalam proses filtering mengacu pada paper acuan [5] yakni sebesar 4 untuk maxGap, 24 untuk maxGapSummary dan 150 karakter untuk minplaglength. Untuk setiap kemungkinan yang terdapat dalam masing masing skenario kemudian akan di kombinasikan dan di uji cobakan adapaun detail kombinasi yang dijalankan dalam penelitian ini diantaranya adalah K

Preprocessing

Th. Seeding

Th. Extension

K1

A

A

A

K2

B

A

A

K3

C

A

A


22


K4

A

B

B

K5

B

B

B

K6

C

B

B

K7

A

C

C

K8

B

C

C

Tabel 9 Kombinasi Skenario Pengujian

Gambar 12 Hasil Evaluasi pda Level Karakter K2 pada Setiap Tipe Plagiarisme

Gambar 10 Hasil Evaluasi pada Level Kasus

Gambar 11 Hasil Evaluasi pada Level Karakter

Untuk hasil evaluasi pada level kasus didapatkan nilai F-Measure tertinggi pada kombinasi K4 yaitu sebesar 0.976761563 dengan menggunakan metode lemmatization untuk preprocessing, nilai threshold seeding sebesar 0.25 dan nilai threshold extension sebesar 0.3. Sedangkan untuk hasil evaluasi pada level karakter didapatkan nilai F-Measure tertinggi pada pada kombinasi K2 yaitu sebesar 0.708385162 dengan menggunakan metode stemming untuk preprocessing, nilai threshold seeding sebesar 0.33 dan nilai threshold extension sebesar 0.4.

Seperti yang telah dijelaskan sebelumnya, didalam dataset terdapat beberapa tipe plagiarism yang diantaranya adalah no obfuscation, random obfuscation, summary obfuscation dan translation obfuscation. Setiap tipe plagiarism tersebut memiliki karakteristiknya masing masing dengan menggunakan parameter kombinasi K2 setiap hasil nilai f-measure, recall, dan precision dapat dilihat dalam gambar 5. Dalam gambar tersebut sistem yang diteliti mendapatkan hasil terbaik pada tipe no obfuscation dan nilai terkecil pada tipe summary obfuscation. Plagiarisme dengan tipe no obfuscation dapat di tebak fragmennya dengan mudah dikarenakan tindakan plagiarism yang dilakukan dalam tipe tersebut cenderung masih menggunakan kata kata yang sama tanpa mengunkan paraphrasing dan sebaliknya untuk tipe summary obfuscation sistem masih memiliki kekurangan untuk mendeteksi fragmen yang lebih banyak. Kombinasi parameter terbaik yang ditunjukan pada setiap level evaluasi berbeda dikarenakan teknik evaluasi pada level kasus menilai secara keseluruhan dan tidak memperdulikan ketepatan fragmen yang terdeteksi, sehingga dengan proporsi dataset yang lebih banyak label plagiarism penggunaaan nilai threshold yang lebih kecil mengakibatkan kemungkinan fragmen yang terdeteksi lebih besar sehingga nilai precision yang dihasilkan sangat tinggi. Hal itu dibuktikan dengan nilai recall yang dihasilkan juga lebih rendah dibandingkan kombinasi yang menggunakan threshold yang lebih besar. Sedangkan untuk evaluasi pada level karakter nilai


23

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 threshold yang paling cocok adalah 0.33 untuk nilai threshold seeding dan 0.4 untuk nilai threshold extension. Threshold tersebut dinilai cocok karena tidak terlalu besar atau kecil sehingga fragmen yang terdeteksi seimbang sehingga tidak terjadi ketimpangan nilai precision dan recall yang dihasilkan. Adapun pengaruh pemilihan penggunaan lemmatization, stemming, dan lemmatization tanpa menggunakan POS tagging dalam tahap preprocessing dalam penelitian ini tidak memberikan perbedaan yang cukup signifikan terhadap nilai FMeasure, recall, dan precision untuk kedua level akurasi. Namun dari seluruh hasil evaluasi pada setiap kombinasi yang dijelaskan dalam gambar 3 dan 4 menunjukan rata rata nilai yang paling besar yang didapatkan untuk setiap threshold yang sama terdapat pada kombinasi parameter yang menggunakan stemming untuk proses preprocessingnya walaupun hasil terbaik yang didapatkan didapat pada kombinasi K4 menggunakan lemmatization namun selisih nilai dengan kombinasi K5 yang menggunakan stemming dengan nilai threshold yang sama sangatlah kecil.

IV. KESIMPULAN DAN SARAN

threshold seeding sebesar 0.33 dan nilai threshold extension sebesar 0.4 dengan hasil F-measure sebesar 0.708385162. Dari hasil keseluruhan tersebut, sistem yang diteliti mendapatkan hasil terbaik pada tipe no obfuscation dan nilai terkecil pada tipe summary obfuscation. Untuk penelitian lebih lanjut, dapat dipertimbangkan penggunaan pengukuran kesamaan yang meperhitungkan kesamaan sebuah kata yang berdasar pada arti katanya, karena tindakan plagiarism khususnya pada tipe summary obfuscation terdapat perubahan bentuk kata seperti paraphrase atau penggantian kata menggunakan kata sinonimnya.

REFERENSI

1]

2]

Sistem pendeteksi plagiarism pada penelitian ini dibangun dengan pendekatan text alignment dengan mengunakan kalimat untuk menjadi satuan unit untuk membangun fragmen yang diduga merupakan hasil plagiat dari dua dokumen. Dalam menentukan fragmen tersebut terdapat 4 proses yang dijalankan yaitu (1) Preprocessing, (2) Seeding, (3) Extension dan (4) Filtering dengan parameter adaptif. Dataset yang digunakan dalam penelitian ini diambil dari kompetisi PAN - CLEF 2014 dengan kategori Plagiarism Detection dengan pendekatan Text Alignment dengan tipe no plagiarism, no obfuscation, random obfuscation, translation obfuscation dan summary obfuscation [1]. Untuk mengevaluasi hasil yang didapat oleh sistem yang dibangun digunakan dua buah evaluasi, yaitu evaluasi pada level kasus dan evaluasi pada level karakter. Pada evaluasi level kasus hasil terbaik didapatkan pada penggunaan lemmatization untuk preprocessing, nilai threshold seeding sebesar 0.25 dan nilai threshold extension sebesar 0.3 dengan hasil F-measure sebesar 0.976761563. Sedangkan pada evaluasi level karakter hasil terbaik didapatkan pada penggunaan stemming untuk preprocessing, nilai

3]

4]

5]

[ P. Clough, "Plagiarism in natural and programming languages: an overview of current tools and technologies," 2000. [ Salha M. Alzahrani, Naomie Salim, Ajith Abraham, "Understanding Plagiarism Linguistic Patterns, Textual Features, and Detection Methods," IEEE, vol. 42, no. 2, pp. 133-149, 2012. [ Martin Potthast,1 Matthias Hagen,1 Anna Beyer, Matthias Busse, Martin Tippmann, Paolo Rosso, and Benno Stein, "Overview of the 6th International Competition on Plagiarism Detection," PAN, 2014. [ Shuai W Ang, Haoliang Qi, Leilei Kong,Cuixia Du , "Combination Of VSM And Jaccard Coefficient For External Plagiarism Detection," International Conference on Machine Learning and Cybernetics, pp. 1880 1885, 2013. [ Miguel A. Sanchez-Perez, Grigori Sidorov, Alexander Gelbukh , "The Winning Approach to Text Alignment for Text Reuse Detection at PAN 2014," PAN at CLEF 2014 , pp. 1004 1011, 2014.


24


6]

7]

8]

9]

[ "Comparison of Jaccard, Dice, Cosine Similarity Coefficient To Find Best Fitness Value for Web Retrieved Documents Using Genetic Algorithm," International Journal of Innovations in Engineering and Technology (IJIET), vol. 2, no. 4, pp. 202-205, 2013. [ Martin Potthast, Benno Stein, Alberto Barrón-Cedeño, Paolo Rosso, "An Evaluation Framework for Plagiarism Detection," Proceedings of the 23rd International Conference on Computational Linguistics, COLING 2010, 2010.

[Accessed Maret 2016]. [ D. Glinos, "Discovering Similar Passages 12] within Large Text Documents," Springer International Publishing Switzerland , pp. 98109, 2014. [ T. Kuˇceˇcka, "Plagiarism Detection in 13] Obfuscated Documents Using an N-gram Technique," Information Sciences and Technologies Bulletin of the ACM Slovakia, vol. 3, no. 2, pp. 67-71, 2011.

[ Wael H. Gomaa, Aly A. Fahmy , "A Survey of Text Similarity Approaches," International Journal of Computer Applications , vol. 68, no. 13, pp. 13-18, 2013.

[ H. B. P. Nobertus Krisandi, "Algoritma K14] Nearest Neighbor Dalam Klasifikasi Data Hasil Produksi Kelapa Sawit Pada PT. Minamas Kecamatan Parindu," Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) , vol. 02, no. 01, pp. 33-38, 2013.

[ Khadijeh Khoshnavataher, Vahid Zarrabi, Salar Mohtaj, Habibollah Asghari , "Developing Monolingual Persian Corpus for Extrinsic Plagiarism Detection Using Artificial Obfuscation," Notebook for PAN at CLEF 2015 , 2015.

[ PAN, "PAN @ CLEF 2014," 2014. 15] [Online]. Available: http://pan.webis.de/clef14/pan14web/plagiarism-detection.html. [Accessed 2 Maret 2016].

[ Samira Abnar, Mostafa Dehghani, Hamed 10] Zamani, and Azadeh Shakery, "Expanded NGrams for Semantic Text Alignment," Notebook for PAN at CLEF 2014, 2014. [ Badan Pengembangan dan Pembinaan 11] Bahasa, Kemdikbud, "Kamus Besar Bahasa Indonesia (KBBI)," Kemenbikbud, 2016. [Online]. Available: http://kbbi.web.id.


25


DETEKSI IMAGE FACE SPOOFING MENGGUNAKAN LOCAL BINARY PATTERN DALAM RUANG WARNA YCBCR Salehah Wijayanti Fakultas Teknik Informatika, Jurusan Teknik Informatika Universitas Telkom Jalan Telekomunikasi No.1, Bandung, Indonesia [email protected]

Abstrak Dewasa ini, sistem keamanan menggunakan deteksi wajah sebagai sistem autentik utama keamanannya dapat diretas dengan mudah yaitu dengan cara menipu, menunjukan image face spoofing didepan kamera. Image face spoofing diperoleh dengan gambar print wajah atau video wajah seseorang yang memiliki ciri sama dengan wajah asli, guna menipu sistem dan menerobos sistem keamanan. Penelitian mengenai deteksi wajah anti-spoofing sudah banyak dilakukan dengan berbagai metode salah satunya dengan menggunakan Local Binary Pattern (LBP). LBP dipahami secara luas merupakan metode komputasi yang cukup sederhana namun memiliki kemampuan menyimpan informasi ciri gambar yang baik. Pada penelitianpenelitian sebelumnya yang menggunakan metode LBP berfokus hanya pada ruang warna grayscale saja. Pada penelitian ini, penulis menggunakan metode LBP yang berfokus pada analisis warna luminansi dan kromasi dari gambar wajah dengan menggunakan ruang warna YCbCr yang memiliki karakteristik mendekati warna kulit manusia. Klasifikasi yang digunakan adalah K-Nearst Neighbour. Dataset yang digunakan pada penelitian ini adalah NUAA Photograph Imposter Database. Dengan pendekatan metode yang dilakukan dalam penelitian ini, sistem berhasil mendapatkan tingkat akurasi mencapai 84.20%. Kata kunci: K-Nearst Neighbour, Local Binary Pattern, ruang warna YCbCr, Spoofing

Abstract At present, the security system using face detection as an authentic system of primary safety can be hacked easily by tricking image shows the

face spoofing front of the camera. Spoofing face image obtained by the print image or video face the face of someone who has the same characteristics of the original face, in order to cheat the system and break through the security system. Research on antispoofing face detection has been done by various methods one using Local Binary Pattern (LBP). LBP is widely understood is quite simple computational methods but has the ability to store information characteristic of image. In previous studies using the method LBP focuses only on grayscale color space only. In this study, the authors use the method of LBP focusing on luminance and color analysis kromasi of the facial image by using the YCbCr color space that has characteristics closer to human skin color. Classification used is the K-nearst Neighbour. The dataset used in this study is NUAA imposter Photograph Database. With the approach of the method applied in this research, the system managed to get an accuracy of 84.20%. Keywords: K-Nearst Neighbour, Local Binary Pattern, ruang warna YCbCr, Spoofing

I. PENDAHULUAN Tren sistem keamanan saat ini adalah menggunakan biometric. Biometric adalah ciri yang dimiliki oleh manusia bisa berupa sidik jari, kelopak mata dan wajah namun, sudah bukan rahasia umum sistem keamanan menggunakan wajah rentan adanya spoofing attack atau penyerangan akses [2]. Beberapa kasus terkait peretasan sistem keamanan dengan biometric telah ditemukan salah satunya terjadi pada sebuah demonstrasi selama Konferensi Internasional tentang Biometric (ICB 2013), penyusup perempuan dengan spesifik make-up berhasil membodohi sistem pengenalan wajah [1]. Selain itu terdapat penelitian kasus spoofing attack bahwa gambar wajah yang ada


26

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 pada jaringan sosial online memiliki resiko untuk menipu software otentifikasi sebesar 77% yaitu dengan menyajikan face spoofing di depan kamera keamanan guna melewati sistem keamanan tersebut [1]. Hal tersebut memberikan gambaran kerentanan sistem keamanan dengan pengenalan wajah untuk serangan spoofing. Beberapa penelitian tentang anti- face spoofing telah dilakukan guna meningkatkan keamanan sistem agar mendeteksi gambar wajah spoofing Metode-metode yang telah digunakan pada penelitian tersebut untuk mendapatkan fitur ciri yang berguna dalam mendeteksi gambar spoofing antara lain menggunakan Local Binary Pattern (LBP) [1][10], Motion Magnification [3], HOOF [4], dan LDA [4]. Dari beberapa metode pada penelitian tersebut, tedapat metode yang komputasinya cukup sederhana namun memberikan hasil yang maksimal dalam mengekstraksi ciri image face spoofing guna mendeteksi gambar spoofing, yaitu Local binary pattern (LBP)[10]. Mata manusia memang lebih sensitif terhadap pencahayaan dari pada gelap, sehingga image face spoofing masih terlihat sangat mirip dengan yang asli sehingga sulit membedakan ketika potongan gambar wajah yang sama dengan image face spoofing ditampilkan atau dijejerkan dalam warna. Namun, jika gambar diubah ke komponen warna lain, beberapa perbedaan karakteristik sudah dapat dilihat. Penelitian sebelumnya yang menggunakan LBP berfokus pada ruang warna gryscale namun membuang informasi warna yang dapat berguna untuk membedakan image spoofing dari yang asli [1]. Selain itu, ruang warna YCbCr memiliki bentuk warna yang mendekati kulit manusia. Oleh karena itu, dalam penelitian ini penulis menggunakan metode Local Binary Pattern (LBP) guna mengekstrak informasi warna-tekstur pada ruang warna YCbCr untuk membedakan wajah asli dengan spoofing.

II. KAJIAN LITERATUR Pada penelitian ini terdapat dua kelas dalam dataset yaitu kelas spoof (wajah palsu) dan nonspoof (wajah asli). Gambar wajah palsu diambil dari memperlihatkan wajah target menggunakan cetakan wajah target (print) dihadapan kamera sistem keamanan sehingga sudah berbeda proses pengambilan gambar dengan pengambilan gambar wajah asli secara langsung pada kamera keamanan. Pengambilan ulang gambar tersebut tidak bisa secara langsung dibedakan bila disejajarkan, sehingga perlu mencari ciri perbedaan gambar wajah asli dengan wajah palsu. Hal tersebut bisa dilakukan dengan ekstraksi ciri menggunakan analisis tekstur gambar serta analisis komponen warna luminasi dan kromasi. Sebelum dilakukan ektraksi ciri terdapat beberapa tahapan yaitu preprocessing, konversi gambar ke ruang warna YCbCr, kemudian ekstraksi ciri, dan klasifikasi. Preprocessing gambar dilakukan dengan memotong gambar agar fokus pada area wajah saja yang digunakan pada saat ekstraksi ciri dilakukan. Ruang warna YCbCr kadang disebut sebagai YCC adalah ruang warna yang tergolong warna spesifik aplikasi, termasuk diadopsi dari sistem TV (YUV, YIQ), sistem foto (YCC) dan sistem print (CMY (K)) [11]. Y adalah komponen luma, Cr adalah selisih komponen warna merah suatu gambar dan Cb adalah selisih komponen warna biru kroma [6]. Ruang YCbCr dapat dihitung dari nilai warna RGB. (1) [8]

Local Binary Pattern (LBP) merupakan operator analisis tekstur gambar yang memiliki 2 parameter yaitu ketetanggaan (P) dan radius (R) dari piksel tengah. LBP melakukan thresholding dengan membandingkan nilai ketetanggaannya dengan nilai tengah piksel. Hasil perbandingan tersebut berupa nilai biner (1, 0) yang kemudian dijumlahan dengan perkalian pangkat 2. Berikut persamaan dari LBP.

Gambar 13. Wajah asli dan wajah palsu pada ruang warna RGB, grayscale dan YCbCr [5]

(2) [8] Jurnal Nasional JMII 2017

27


Dimana

adalah nilai dari piksel tetangga dan

adalah nilai dari piksel pusat. Selanjutnya nilai s(x) = 1 jika x

0 dan 0 jika sebaliknya. Nilai LBP

Gambar 14. Ilustrasi proses LBP [5]

Dimana matriks d adalah jarak skalar dari kedua vektor x dan y dari matriks dengan ukuran n dimensi. Pada fase training, algoritma ini hanya melakukan penyimpanan vektor-vektor fitur dan klasifikasi data training sampel. Pada fase klasifikasi, fitur-fitur yang sama dihitung untuk data uji (yang klasifikasinya tidak diketahui). Jarak dari vektor baru/ data uji dihitung terhadap seluruh vektor training sampel dan sejumlah K buah yang paling dekat diambil. K adalah parmater untuk menentukan banyak data yang diambil dari jarak terdekat. Titik data uji klasifikasinya diprediksikan pada klasifikasi terbanyak dari titik-titik tersebut [8]. Dataset yang digunakan yaitu NUAA Photograph Imposter Database. Disediakan pada dataset gambar asli langsung (cilent) dari wajah subjek, dan dari foto subjek (imposter) [5]. Gambar asli diambil menggunakan webcam, menghadap kamera secara frontal. Didalam dataset yang terdapat beberapa kategori gambar yaitu gambar dengan kaca mata dan tidak berkacamata, lokasi di kondisi bercahaya, kondisi dengan jendela tertutup maupun terbuka dengan penerangan yang ada. Hal tersebut memberikan variansi data latih dan data uji. Berikut contoh data gambar yang terdapat di dalam dataset dapat dilihat pada Gambar 3.

titik pusat merupakan nilai desimal dari rangkaian angka biner dari piksel tetangga yang disusun searah jarum jam [7]. Hasil dari proses ekstraksi ciri LBP berupa histogram fitur ciri. K-Nearest Neighbor adalah contoh algoritma berbasis pembelajaran, dimana dataset pelatihan (training) disimpan, sehingga klasifikasi untuk data uji belum terklasifikasi didapatkan dengan membandingkannya dengan data yang paling mirip dengan training set [8]. Ada banyak cara untuk mengukur jarak kedekatan antara data uji dengan data lama (data training), diantaranya euclidean distance dan manhattan distance (city block distance), yang paling sering digunakan adalah euclidean distance. Selain daripada itu euclidean distance mempunyai hasil akurasi paling baik dibandingkan dengan metode berdasarkan jarak pada klasifikasi K-Nearest Neighbor [8]. Berikut merupakan persamaan yang digunakan dalam mencari jarak terdekat dengan euclidean distance.

Gambar 15. Bebrapa kategori pengambilan gambar wajah asli dan wajah palsu pada dataset

Perhitungan akurasi menggunakan confusionmatrix serta precision dan recall digunakan karena menggunakan data yang tidak seimbang jumlah antara data image spoofing dengan nonspoof [9].

III. ANALISIS DAN PERANCANGAN Sistem deteksi image spoofing ini terbagi menjadi dua bagian, yaitu bagian pembangunan model dan bagian pengujian. Alur pembangunan model digambarkan seperti dibawah ini.


28

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 warna. Hasil dari LBP adalah histogram ciri tiap komponen warna dengan dimensi 1x256. Histogram warna yang telah didapat kemudian dilakukan Equalisasi citra guna perbaikan citra dengan pemerataan histogram dengan distribusi derajat keabuan yang membuat citra menjadi lebih kontras seperti gambar 7. Gambar 16. Flowchart pembangunan Model

Gambar 17. Sistem pengujian [8]

Dataset NUAA Photograph Imposter yang digunakanan untuk pembangunan model dengan pengujian dibedakan namun tetap memiliki dua kelas imposter/palsu dan client/asli. Berikut detail jumlah dataset yang digunakan. Tabel 10. Jumlah data gambar yang digunakan

Lebel Gambar Imposter/Spoofing

Data Train 1081

Client/NonSpoofing

1631

Jumlah

2712

Data Test 553 0 305 6 858 6

Pada proses input gambar pembangunan model, dilakukan preprocessing gambar yaitu gambar akan dipotong pada area wajah saja. Sepeti pada gambar 5.

Gambar 18. Sampel gambar untuk pembangunan model [5]

K emudi an dilanjutkan ke tahap konversi ruang warna gambar RGB ke YCbCr. Setelah didapatkan warna YCbCr kemudian dilakukan pemisahan per- komponen ruang warna menjadi Y, Cr dan Cb untuk ekstraksi ciri menggunakan Local Binary Pattern (LBP) hal ini dilakukan guna memperoleh informasi tiap ruang

Gambar 19. Hasil citra yang telah diequalisasi (atas) histogram citra telah terequalisasi (bawah)

Setelah proses tersebut kembali digabung menjadi 1 warna YCbCr dengan panjang dimensi 1x768 dan disimpan. Setelah proses pembangunan model, dilanjutkan ke tahap pengujian. Proses pada tahap pengujian kurang lebih sama dengan pembagunan model, hanya saja perbedaannya terdapat klasifikasi data uji (yang belum tau kelasnya) di klasifikasikan menggunakan KNN. Tahap pengujian dilakukan 2 skenario. Skenario pengujian 1 menguji parameter ketetanggan dan radius LBP yaitu LBP8,1 , LBP8,2 , dan LBP8,3. Perbedaannya ada pada area jangkauan ciri yang diambil seperti pada gambar 8 dan skenario peng ujian ke 2 adal ah peng ujian para meter K pada KNN. Gambar 20. Perbedaan radius pada metode LBP

Data akurasi hasil skenario 1 dapat dilihat pada gambar grafik 9.


29


IV. KESIMPULAN DAN SARAN Pendeteksian image spoofing menggunakan analisis warna YCbCr cukup memberikan performansi yang baik dengan LBP ketetanggan 8 dengan radius 1 sehingga berhasil mendapatkan hasil sebesar 84.20%. Hal tersebut dikarenakan terdapat analisis tekstur pada warna luminansi dan kromasi yang didapat dan LBP (8,1) jangkauannya cukup kecil sehingga memberikan informasih lebih dekat dengan ciri aslinya, dan jangkauan yang jauh akan menyebabkan adanya ciri yang tidak relavan . Selain itu nilai parameter K pada KNN berpengaruh terhadap hasil akurasi yang didaptakan yaitu bahwa nilai K=15 merupakan parameter yang menghasilkan akurasi tertinggi. Hal ini disebabkan K = 15 cukup memberikan batas mendekati dengan ciri image spoof dan nonspoof.

Gambar 21. Hasil uji parameter LBP

Paramater pada skenario 1 menggunakan KNN, K=10. Dapat dilihat pada gambar 9 bahwa akurasi tertinggi ada pada parameter LBP ketetanggaan 8, dan radius 1 sebesar 83.76%. Berikut ini grafik hasil akurasi hasil skenario 2 dapat dilihat pada gambar grafik 10.

Untuk penelitian lebih lanjut sebaiknya dilakukan pengujian terhadap metode LBP lain dan raung warna yang bervariansi, serta dataset untuk pembuatan model lebih diperbanyak agar sistem yang dibangun lebih baik.

REFERENSI [1]

Zinelabidine Boulkenafet, J. K. 2015. ” Face Anti-Spoofing Based On Color Texture Analysis”. Ohlulu. Finland

[2]

J. Maatta, A. Hadid, and M. Pietikainen. 2011. “Face spoofing detection from single images using micro-texture analysis,” International Joint Conference on Biometrics (IJCB), pp. 1–7.

[3]

S. Bharadwaj. 2013. "Computationally Efficient Face Spoofing Detection with Motion Magnification," CVPR2013.

[4]

Erdogmus, Neils. 2013. ”Spoofing in 2D Face Recognition with 3D Masks and Antispoofing with Kinect”, Idiap Research

Institute.

Gambar 22 Hasil uji parameter k pada KN

Dapat dilihat gambar grafik 10, terjadi peningkatan akurasi pada pendeteksian image spoofing sebesar 0.44% dari 83.76% ke 84.20%. Hal tersebut membuktikan bahwa K=15 optimal dalam meningkatkan akurasi deteksi image spoofing.

[5]

Parnec.Nuaa, "NUAA Photograph Imposter Database," http://parnec.nuaa.edu.cn/xtan/data/nuaaim posterdb.html, 2010.

[6]

Adikara, P.P. 2014. ”Pencarian Ruang Warna Kulit Manusia Berdasarkan Nilai Karakteristik (Λ) Matrik Window Citra” di


30

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 Jurnal Teknologi Komputer (JTIIK).

Informasi

dan

Ilmu

[7]

Zhao, G, dkk. 2011.“Computer Vision Using Local Binary Pattern”.Spring.,

[8]

Utomo, Endra Budi. 2015. “Pengenalan Wajah Wanita Berkerudung Menggunakan Metode 2DPCA dan K-Nearest Neighbor”. Universitas Dian Nuswantoro.Semarang.

[9]

T. Fawcett. 2005. "An introduction to ROC analysis," elsevier.

[10]

I. Chingovska, A. Anjos, and S. Marcel. 2012. “On the effectiveness of local binary patterns in face anti-spoofing,” in International Conference of the Biometrics Special Interest Group (BIOSIG), pp. 1–7.

[11]

Marko, 2003. "Colour spaces - perceptual, historical and applicational background,". University of Ljubljana.


31


PERKEMBANGAN E-GOVERNMENT INDONESIA: ANALISIS DAFTAR LAYANAN PUBLIK Endang Amalia Fakultas Teknis, Jurusan Sistem Informasi Universitas Widyatama Jalan Cikutra No 204A Sukapada Cibeunying Kidul, Bandung, Indonesia [email protected]

I. PENDAHULUAN

Abstrak Untuk menganalisis sejauh mana perkembangan EGovernment, salah satu caranya adalah dengan menganalisis daftar layanan publik yang sudah ada. Analisis daftar layanan publik ini dibagi menjadi dua bagian, yaitu analisis daftar layanan publik perseorangan/individu dan layanan publi kelompok atau bisnis.

Perkembangan E-Government di Indonesia semakin meningkat seiring meningkatnya layanan masyarakat dan teknologi yang berkembang saat ini. Mulai dari layanan pemerintah untuk masyarakat secara umum, perorangan bahkan sampai layanan pemerintah terhadap sektor swasta yang salah satunya adalah bisnis.

Melalui riset ini, perkembangan E-Government di Indonesia sudah bagus namun dalam implementasinya masih ada beberapa layanan publi yang masih menggunakan cara tradisional. Bila fasilitas yang diberikan lengkap dan layanan bisa diakses secara online sepenuhnya, baik pihak peorangan ataupun bisnis dapat memanfaatkan fasilitas-fasilitas publik tersebut lebih maksimal lagi.

Dengan adanya e-government ini semua orang dipaksa untuk menggunakan teknologi yang perubahannya sangat cepat dan mempengaruhi segala aspek di kehidupan sehari-hari. Teknologi internet yang sudah merupakan bagian dari kegiatan seharihari harus dimanfaatkan secara maksimal. Hal ini bisa dimanfaatkan pemerintah untuk mulai mengadopsi e-government sebagai tiang utama dalam pelayanan publik.

Kata kunci: Daftar Layanan Perkembangan

Publik,

E-Government,

Abstract To analyze how far is the e-government work, we can see it through the list of public services that they served. This analyze divided into two categories, services for citizens and services for business. Through this research, the development of EGovernment in Indonesia is fine but the implementation as far is still use the traditional way by some public services. If the facilities provided complete and accesible onlone service completely, both parties citizens and business can utilize public services more maximum way. Keywords: List Public Services, E-Government, Development

Terlihat dari berbagai aktifitas yang dilakukan masyarakat Indonesia, kini layanan pemerintah mulai menggunakan e-government. Mulai dari pengurusan pembuatan paspor, pelaporan pajak, website-website pemerintahan terutama website-website kementrian dan masih banyak lagi. Aktifitas-aktifitas inilah yang memaksa masyarakat Indonesia untuk menggunakan layanan publik berbasis e-government sekaligus memaksa pemerintah untuk terus memperbaiki layanan publik yang lebih baik lagi. Layanan publik di dalam e-government ini dibagi menjadi dua komponen besar yaitu layanan publik terhadap masyarakat luas sebagai pengguna egovernment dan layanan publik terhadap sector bisnis.

II. METODE PENELITIAN Pertama, penulis dari paper ini akan mencari komponen penting e-government dalam analisis pelayanan publik dengan menggunakan google dan menemukan daftar layanan publik untuk egovernment yang dijelaskan sebagai berikut[4][5]:


32

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 Tabel 1. Daftar Layanan Publik Services for the Citizens 1. Income taxes  2.Job search  3. Social security benefits  4. Personal documents  5. Vehicle registration  6. Application for building permission 7. Declaration to the police  8. Public libraries  9. Birth and marriage certificates  10. Enrolment in higher education  11. Announcement of moving  12. Health-related services  13. Property Evaluation and Registration

Services for Businesses

terakhir adalah kesimpulan. Data yang dianalisis berdasarkan kelompok konsep dibawah ini [1][2][3][5]: a.

1. Social contribution for employees 2. Corporate tax  3. VAT  4. Registration of a new company 5. Submission of statistical data 6. Customs declarations  7. Environment-related permits 8. Public Procurement

Daftar Layanan untuk Masyarakat: 1.

2.

Tahap keempat adalah istilah-istilah yang didapat dari tahap sebelumnya dikategorikan sebagai komponen penting riset untuk dianalisi dalam riset ini dan terakhir adalah mengambil kesimpulan dari keseluruhan riset yang sudah dilaksanakan.

Pada bab ini penulis menjabarkan klasifikasi dari riset dan menganalisis area-area yang sudah ditentukan pada tahap sebelumnya. Pengumpulan data diklasifikasikan kedalam riset paradigma, pendekatan riset, metodologi riset, metode riset dan Jurnal Nasional JMII 2017

Job search  Job search adalah suatu layanan pemerintah secara elektronik untuk memfasilitasi masyarakat yang sedang mencari pekerjaan. Bursa kerja online memang sangat banyak di Indonesia salahsatunya adalah www.jobstreet.co.id. Dari website yang terpercaya sampai website yang hanya sekedar mencantukan lowongan pekerjaan namun informasi yang ditampilkan kurang jelas. Bursa kerja online resmi dari pemerintah saat ini belum ada dikarenakan harus direncanakan matang-matang bagi pencari kerja dan penyedia kerja serta spesifikasi yang dibutuhkan dan yang ditampilkan di website.

Kemudian, tahap berikutnya adalah mengumpulkan istilah-istilah yang relevan untuk pilosofi riset, metodologi dan metode dari paperpaper hasil seleksi pada tahap sebelumnya.

III. ANALISIS DAN PERANCANGAN

Income taxes  Income taxes adalah pajak penghasilan atau sering dikenal dengan PPh merupakan panjak yang dibebankan pada penghasilan seseorang. Layanan pemerintah untuk pajak penghasilan salah satunya adalah e-filling yang dikeluarkan oleh Direktorat Jenderal Pajak. E-filling adalah layanan pemerintah untuk penyampaian pelaporan SPT (Surat Pemberitahuan) secara online dan real time melalui website Direktorat jenderal Pajak. Bagi setiap masyarakat yang sudah memiliki penghasilan wajib melaporkan e-SPT tanpa harus datang ke kantor pajak, cukup melalui website e-filling yang bisa diakses melalui www.pajak.go.id/e-filling.

Kedua, penulis dari paper ini fokus terhadap dua daftar layanan publik diatas. Konsep ini dipilih karena konsep ini memiliki komponen yang lengkap untuk penelitian paper ini. Ketiga, penulis dari paper ini mereview beberapa abstrak dan menemukan metodologi dan metode-metode yang digunakan oleh penulis-penulis lainnya, konferensi-konferensi paper dan sumbersumber lainnya. Sebagian paper-paper memiliki metodologi dan metode-metode yang jelas yang dipresentasikan pada abstraksi namun sebagian lagi tidak. Paper-paper yang memiliki kejelasan metodologi dan metode-metode inilah yang digunakan sebagai riset studi untuk kasus.

dua

3.

Social security benefits  Social security benefits layanan pemerintah berupa jaminan sosial atau disebut sebagai Badan Penyelenggara jaminan Sosial (BPJS) yang terbit 31 Desember 2013. Jaminan sosial lainnya

33

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 dari pemerintah yaitu JaminanKesehatan nasional (JKN) yang sistemnnya seperti asuransi kesehatan. Kedua layanan ini dapat digunakan masyarakat untuk berobat, imunisasi dan sejenisnya seperti halnya asuransi kesehatan. 4.

Vehicle registration Vehicle registrasion atau dikenal dengan STNK (Surat Tanda Nomor Kendaraan) adalah layanan pemerintah secara online mengenai pendaftaran kendaraan. Pemerintah Indonesia belum memiliki layanan online untuk fasilitas ini, namun pemerintah Indonesia sudah memiliki layanan e-SIM (elektronik Surat Ijin Mengemudi) namun hanya untuk pendaftarannya saja, sisanya harus datang ke kantor polisi.

6.

Application for building permission Application for building permision adalah layanan pemrintah untuk memfasilitasi masyarakat indonesia dalam hal Ijin Mendirikan Bangunan (IBM) secara online. Fasilitas ini sedang dalam proses yang nantinya website ini akan terhubung dengan instansi-instansi lain seperti Dinas dan Suku Dinas PBB hingga tingkat yang paling rendah.

7.

Declaration to the police  Declaration to the police adalah surat deklarasi yang disubmit secara online ke kepolisian baik laporan kejahatan, penipuan, pengaduan dan sejenisnya. Laporan ini bisa masyarakat submit melalui website: https://lapor.go.id. Jurnal Nasional JMII 2017

Public libraries  Public libraries adalah perpustakaan umum yang dimiliki oleh setiap kotakota di Indonesia untuk digunakan oleh masyarakat luas. Setiap perpustakaan dikelola oleh badan KORPRI Unit Badan Perpustakaan dan kearsipan daerah masing-masingyang mana setiap pengunjung yang ingin menggunakan layanan perpustakaan ini harus mendaftarkan diri terlebih dahulu untuk menjadi anggota.

Personal documents Personal document adalah arsip yang berisi tentang data-data kependudukan atau dikenal dengan e-KTP (elektronik Kartu Tanda Penduduk). E-KTP diluncurkan sejak tahun 2010. Dengan adanya e-KTP ini penduduk hanya diperbolehkan memiliki satu nomor KTP saja sehingga data redudansi penduduk bisa terhindar.

5.

8.

9.

Birth and marriage certificates  Birth and marriage certificates adalah fasilitas yang diberikan pemerintah untuk pembuatan akta untuk kelahiran dan pernikahan secara online. Di Indonesia setiap, kota/kabupaten memiliki website ini untuk pembuatan akta lahir dan nikah namun belum sepenuhnya terlaksana.

10. Enrolment in higher education  Enrolment in higher education adalah fasilitas yang diberikan pemerintah terkait pendaftaran di perguruan tinggi. Perguruan tinggi di Indonesia ada perguruan tinggi negeri yang dilaksanakan dengan jalur SNMPTN dan jalur SBMPTN, pihak yang menyelenggarakan langusng oleh pemeirntah melalui panitia seleksi nasional yang pendaftarannya dilakukan secara online namun untuk tesnya masih tradisional yaitu test dengan menggunakan papersheet di ruang kelas, kemudian yang kedua adalah perguruan tinggi kedinasan yang diselenggarakan oleh kementrian ataupun non kementrian, hal yang sama terjadi di ujian seleksi masuk ke perguruan tinggi ini yaitu pendaftaran bisa online namun tes dilakukan di ruang kelas oleh peserta yang sudah terdaftar, yang terakhir adalah perguruan tinggi swasta, ujian saringan untuk masuk ke perguruan tinggi swasta ini diselenggarakan oleh perguruan tinggi tersebut masing-masing dengan pendaftaran bisa online dan test ujian

34

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 masuk dilakukan di ruang kelas dengan jadwal dan tempat yang sudah ditentukan sebelumnya.

2.

Corporate tax untuk perusahaan sama dengan perorangan menggunakan EFilling untuk pelaporan SPT dan EBilling untuk pembayaran pajak per bulan.

11. Announcement of moving  Announcement of moving adalah layanan pemerintah untuk memfasilitasi penduduk yang pindah domisili. Untuk pengurusan pindah domisi online EKTP tidak bisa online.

3.

13. Property Evaluation and Registration

4.

5.

Social contribution for employees Social contribution for employees adalah layanan pemerintah untuk kelompok atau bisnis berupa kontribusi sosial untuk pegawai kelompok atau bisnis tersebut secara elektronik. tanggungjawab perusahaan terhadap karyawan meliputi aspek ekonomi, sosial dan lingkungan. Namun pelayanan pemerintah secara elektronik untuk memfasilitasi hal ini belum ada, masih dalam tahap proses. Jurnal Nasional JMII 2017

Submission of statistical data Submission of statistical data adalah fasilitas yang diberikan pemerintah dalam hal penyampaian data statistik yang dikelola oleh Badan Pusat Statistik. Di website BPS www.bps.go.id hanya menampilkan informasi angka statistik, mulai dari jumlah penduduk Indonesia per tahun, Penerimaan PNBP (Penerimaan Negara Bukan pajak), Survei kepuasan konsumen per tahun dan permintaan data lainnya.

Daftar layanan untuk bisnis: 1.

Registration of a new company Registration of a new company adalah layanan pemerintah yang bersifat online untuk registrasi perusahaan baru. Dikelola oleh dinas perindustrian dan perdagangan di masing-masing kota. registrasi bisa dilakukan online namun untuk pendaftaran sepenuhnya harus datang ke masing-masing Dinas Perindustrian dan Perdagangan untuk ditindaklanjuti.

Property evaluation and registration adalah layanan pemerintah berbasis online untuk pendaftaran dan evaluasi properti seperti rumah, tanah, apartemen dan gedung-gedung properti lainnya. Di Indonesia layanan ini sedang dikembangkan

b.

VAT  VAT (Value Added Tax) adalah pajak pertambahan nilai yang harus dilaporkan ke pemerintah. Di Indonesia layanan ini masih dalam tahap pengembangan.

12. Health-related services  Health-related services adalah fasilitas yang diberikan pemerintah dalam layanan yang terkait dengan kesehatan selain asuransi pada poin 3 diatas. Fasilitas ini lebih ke rekam medis online yang terintegrasi antar puskesmas, klinik dan rumah sakit dna segala pelayanan yang ada di dalamnya. Di Indonesia, layanan ini sedang dikembangkan. Data rekam medis saat ini masih merupakan otoritas setiap rumah sakit, puskesmas atau klinik. Belum tersentralisasi.

Corporate tax 

6.

Customs declarations Customs declarations adalah layanan pemerintah berupa deklarasi bea cukai yang dilakukan oleh Direktorat jenderal Bea dan Cukai dalam rangka mengakomodir praktik-praktik bisnis internasional dimana beberapa komponen pembentuk harga barang untuk penghitungan bea masuknya belum dapat diketahui besaran nilainya secara pasti pada saat penyampaian

35

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 dokumen. Fasilitas ini belum bisa diakses secara online, masih dalam tahap pengembangan. 7.

Environment-related permits Environment-related permits dalah fasilitas pemerintah dalam hal ijin terkait lingkungan yang dikelola oleh Dinas Lingkungan Hidup daerah masing-masing. Fasilitas ini belum bisa diakses secara online, masih dalam tahap pengembangan.

8.

Public Procurement Public Procurement adalah fasilitas pemerintah dalam hal pengadaan publik berupa barang dan jasa Layanan Pengadaan Secara Elektronik (LPSE).

IV. KESIMPULAN DAN SARAN Dasar pengembangan e-government dimulai dari daftar layanan publik yang disediakan pemeintah Indonesia. Dari analisis riset yang dilakukan diatas, layanan publik e-government di Indonesia sudah bagus. Dua komponen layanan publik, yaitu layanan publik perorangan dan layanan publik bisnis sudah lengkap. Namun yang menjadi fokus untuk mengembangakn e-government yang lebih efektif dan efisien lagi adalah dalam hal fasilitas dan layanan. Bila fasilitas yang diberikan lengkap dan layanan bisa diakses secara online sepenuhnya, baik pihak peorrangan ataupun bisnis dapat memanfaatkan fasilitas-fasilitas publik tersebut lebih maksimal lagi.

REFERENSI [1]. Direktorat Jenderal Pajak www.pajak.go.id/ebilling diakses Februari 2017

Apabila sebuah pemerintahan minimal sudah memiliki daftar layanan publik seperti diatas, maka layanan e-government negara tersebut sudah semakin baik dalam pemenuhan layanan publik baik untuk masyarakat maupun untuk bisnis. Lebih lengkap akan lebih bagus. Namun untuk Indonesia, seperti yang dijelaskan setiap fasilitas layanan publik masih ada yang setengah sudah online setengah tradisional, yang artinya baik masyarakat maupun pelaku bisnis masih harus datang ke tempat dimana pemerintah bisa melayani kebutuhan masyarakat secara manual untuk mendapatkan pelayanan publik secara menyeluruh.

[2]. Direktorat Jenderal Pajak www.pajak.go.id/efilling diakses Februari 2017 [3]. Kepolisian Republik Indonesia https://lapor.go.id diakses Februari 2017 [4]. Ridley, G (2008) IT governance to improve egovernance. In: E-gov pre-ECIS workshop, 8th June 2008, Galway Ireland   [5]. Srinivasan and Iyyakutti (2014) Different Methodologies and Methods of E-Governance Using Open Source Technology: Reseach Gate 2014, Berlin German

[6].


36


SMART TOUR GUIDE “ANGKOT” Azizah Zakiah, Arief Yulianto Fakultas Teknik, Jurusan Teknik Informatika Universitas Widyatama Jalan Cikutra No 204 A, Bandung, Indonesia [email protected], [email protected]

Windows Phone SDK . This is an advantage for the developer , since the developer can develop the technology features to support SmartCity program.

Abstrak Bandung merupakan kota yang memiliki jalur lalu lintas angkotan kota yang tidak sedikit. Dengan berbagai jenis angkot yang berbeda, dan jalur trayek yang jauh. Masyarakat terutama pendatang baru kadang merasa sulit untuk mencari angkutan kota yang dapat mengantarkan jalurnya. Banyak informasi yang ada di internet, namun tidak begitu akurat. Berbagai pengalaman dan survey, ketika naik jalur angkot khususnya sebagai pendatang baru, sulit untuk mengetahui dimana keberadaan kita, sehingga banyak pendatang baru yang kebingungan dan nyasar ketika menggunakan angkutan kota di bandung. Dengan adanya teknologi maps, geofence, dan geolocation yang disediakan oleh BING Maps pada platform Windows Phone dalam bentuk API dan software pendukungnya yaitu Microsoft Visual Studio 2013 serta SDK Windows Phone. Hal ini merupakan keuntungan bagi pengembang, karena pengembang dapat mengembangkan fitur teknologi tersebut untuk mendukung program smartcity Bandung.

Kata kunci : Angkot, Maps, Geofence, Geolocation, Bandung, Jalur Trayek, Windows Phone

Abstract Bandung is a city that has a traffic lane of public transportation . With a variety of different types of public transportation , and lane stretch that far. People especially newcomers sometimes find it difficult to find public transportation that can deliver its tracks . A lot of information available on the internet , but not very accurate . Various experiences and surveys , when riding public transportation lines , especially as a newcomer , it is difficult to know where our existence , so many newcomers are confused and stray when using public transportation in Bandung . With the technology maps, geofence and geolocation are provided by Bing Maps on Windows Phone platform in the form of APIs and supporting software is Microsoft Visual Studio 2013 and the

Keywords : public transportation, Maps, Geofence, Geolocatio , Bandung, Tracing Route, Windows Phone

I. PENDAHULUAN Mobile Aplication merupakan perangkat lunak yang banyak digunakan oleh masyarakat kini. Pengguna smartphone di Indonesia terus meningkat. Bahkan, sebuah lembaga riset menyebutkan bahwa Tanah Air berada di peringkat kelima dalam daftar pengguna smartphone terbesar di dunia[4]. Hal ini membuktikan bahwa masyarakat Indonesia butuh akan penggunaan smartphone. Bandung merupakan kota yang memiliki jalur lalu lintas angkotan kota yang tidak sedikit. Dengan berbagai jenis angkot yang berbeda, dan jalur trayek yang jauh. Masyarakat terutama pendatang baru kadang merasa sulit untuk mencari angkutan kota yang dapat mengantarkan jalurnya. Banyak informasi yang ada di internet, namun tidak begitu akurat. Berbagai pengalaman dan survey, ketika naik jalur angkot khususnya sebagai pendatang baru, sulit untuk mengetahui dimana keberadaan kita, sehingga banyak pendatang baru yang kebingungan dan nyasar ketika menggunakan angkutan kota di bandung. Adapun aplikasi yang telah bekembang seputar tracking jalur angkot bandung yakni seperti Angkot Bandung pada aplikasi android oleh GITS Indonesia, lalu angkot.tibandung.com berbasis web oleh TiBandung. Namun pada platform Windows Phone, belum ada pengembang yang mengembangkan informasi jalur angkot kota Bandung. Dengan adanya teknologi maps, geofence, dan geolocation yang disediakan oleh BING Maps pada platform Windows Phone dalam bentuk API dan software pendukungnya yaitu Microsoft Visual Studio 2013 serta SDK Windows Phone. Hal ini merupakan keuntungan bagi pengembang, karena


37

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 pengembang dapat mengembangkan fitur teknologi tersebut untuk mendukung program smartcity Bandung. Penulis tertarik membuat aplikasi tentang seputar informasi jalur trayek angkot di kota bandung menggunakan kolaburasi teknologi maps, geofence, dan geolocation berbasis Windows Phone, dengan dibuatnya aplikasi tersebut, penulis berharap dapat membantu dan mempermudah masyarakat khususnya pendatang baru untuk mengakses informasi jalur trayek angkotan kota di Bandung melalui smartphone Windows Phone nya. 1.1 Identifikasi Masalah Berdasarkan latar belakang di atas dapat dirumuskan beberapa masalah antara lain : 1.

2. 3.

begitu banyaknya jenis angkot di kota bandung, banyak masyarakat masih belum mengetahui jalur angkot kota Bandung khususnya pendatang baru; beberapa informasi jalur angkot melalui web internet tidak detail dan tidak akurat; belum ada pengembang yang mengembangkan tracking jalur angkot di kota Bandung berbasis platform Windows Phone.

1.2 Tujuan Adapun tujuan perancangan penulis membuat aplikasi ini : 1. mengembangkan informasi jalur angkot di kota bandung; 2. memberikan akurasi informasi jalur angkot di kota bandung; 3. mengembangkan teknologi maps, geofence, dan geolocation berbasis Windows Phone untuk tracking jalur angkot di kota Bandung. 1.3 Ruang Lingkup Agar permasalahan yang di bahas lebih terfokus dan tidak melebar, penulis membatasi permasalahan yang akan di bahas. Adapun beberapa hal yang akan di bahas dan dijabarkan yaitu; 1. mengembangkan aplikasi seputar informasi jalur angkot di kota Bandung; 2. platform aplikasi berbasis mobile Windows Phone; 3. mengembangkan kolaburasi teknologi maps, geofence, dan geolocation pada Windows Phone; 4. jalur angkot yang dipilih sebagai sampel berdasarkan 4 trayek terbanyak hasil survey yang dilakukan oleh penulis melalui online survey (google form). Sebagai berikut: - angkot ST Hall – Sarijadi; - angkot Dago – ST Hall;

-

angkot Sederhana – Cimindi; angkot Cimahi – ST Hall.

Aplikasi bersifat online menggunakan Bing Maps.

II.

KAJIAN LITERATURE

2.1 Mobile Application Aplikasi mobile merupakan sebuah aplikasi yang memungkinkan anda melakukan mobilitas dengan menggunakan perlengkapan telepon seluler, atau smartphone. Dengan menggunakan aplikasi mobile, anda dapat melakukan berbagai macam aktifitas mulai dari hiburan, berjualan, akses informasi, mengerjakan pekerjaan dan lain sebagainya. Aplikasi mobile menurut kamus Oxford yakni "Program mandiri atau bagian dari perangkat lunak yang dirancang untuk memenuhi tujuan tertentu; aplikasi , terutama karena download oleh pengguna untuk perangkat mobile[3].” Biasanya jenis aplikasi terkait pada beberapa platform yaitu: a. Windows Phone dan Windows 8. b. Iphone dan Ipad. c. Android dan tablet. Laporan Bussiness Insider yang diakses melalui laman BusinessInsider.com pada tanggal 10 Juli 2015 mengatakan penggunaan mobile meningkat tajam[4]. Konsumen menghabiskan banyak waktu di ponsel. Bahkan, sebuah lembaga riset yang dilansir detik pada 10 juli 2015 menyebutkan bahwa Indonesia berada di peringkat kelima dalam daftar pengguna smartphone terbesar di dunia[4]. Hal ini membuktikan bahwa masyarakat Indonesia butuh akan penggunaan smartphone. 2.2 Angkot Bandung Bandung adalah Ibu Kota Propinsi Jawa Barat dan merupakan salah satu kota terbesar di Indonesia. Sarana transportasi umum yang ada di kota bandung menjadi salah satu prioritas pemerintah untuk mengatasi minat masyarakat untuk menggunakan kendaraan umum di setiap aktivitasnya agar mengurangi angka kemacetan. Transportasi umum di Bandung terdapat angkutan umum atau biasa disebut angkot.


38


Gambar 2.1 Angkot kota Bandung[11]

Angkutan kota (Angkot) merupakan salah satu program transportasi massal yang memiliki masalah klasik di bandung. Beberapa masalah yang teridentifikasi pada angkutan kota sekarang ini adalah tarif angkutan kota yang tidak konsisten, waktu tempuh angkot yang sulit diprediksi, pemberhentian angkot yang seenaknya, dan terkadang trayek angkot tidak sesuai rute resmi. Menurut persentase Dishub Bandung yang di publish ulang oleh KamanaweID pada April 2015 “Angkot digunakan oleh 13,5% dari total 2,5 juta penduduk kota Bandung”[10]. Kemacetan dan permasalahan tersebut membuat masyarakat enggan menggunakan angkot. Penduduk kota yang semakin banyak, dan jumlah Kendaraan pribadi lebih banyak dari pada kendaraan umum.

. Gambar 2.3 Windows Phone Lifecycle[1]

Ketika aplikasi dijalankan, aplikasi dapat diberhentikan setiap saat. Contoh ketika pengguna dapat menekan tombol HOME atau melakukan hal lain untuk membuka aplikasi lain. Dalam hal ini, aplikasi yang akan berhenti sejenak state itu di simpan dalam memori RAM.

2.3 Windows Phone 8.1 Windows Phone merupakan sistem operasi mobile yang dikembangkan oleh Microsoft. Gambar dibawah menjelaskan bahasa yang digunakan untuk mengembangkan Windows Phone.

Gambar 2.4 Windows Developer Platform in 8.1[1]

2.4 Teknologi Maps, Geofence dan Geolocation Teknologi Maps, Geofence dan Geolocation merupakan fitur yang ada pada Windows Phone dengan menggunakan GPS sebagai fitur utama. Hal ini sangat menguntungkan untuk developer mengembangkan dan mengeksplor experience untuk membangun seuah aplikasi berbasis Windows Phone.

Gambar 2.2 Native App Development pada Windows Phone 8.1[5]

Geofencing memungkinkan sebuah aplikasi untuk menentukan wilayah geografis dan memiliki sistem peringatan app bila perangkat itu berjalan pada masuk atau keluar daerah itu.

2.3.1 Windows Phone Lifecycle Aplikasi mobile memiliki siklus yang berbeda dengan aplikasi desktop. Pada aplikasi mobile siklusnya meliputi launching, running, activating, deadactivated dan closing. Hal ini terjadi karena spseifikasi aplikasi mobile tidak sebesar aplikasi yang dijalankan pada desktop. Pada Windows Phone Lifecycle gambaran siklusnya digambarkan seperti pada gambar dibawah Jurnal Nasional JMII 2017

39


Gambar 2.5 Maps dan Geofencing[9]

Maps dan Geofencing merupakan fitur untuk mendeteksi lokasi dalam suatu radius tertentu. Lalu kemudian akan dikirimkan signal notifikasi untuk mendeteksi gps terbaca oleh ruang lingkup yang ditentukan.

III.

ANALISIS DAN PERANCANGAN

3.1 Analisis Sistem Visual Studio 2013 Update 4 menyediakan SDK Windows Phone untuk mendukung para developer mengembangkan aplikasi Windows Phone. Maps, geofence dan geolocation merupakan fitur yang sangat bermanfaat untuk mengembangkan aplikasi berbasis mapping atau tracking. Rancang bangun SI-MANGKOT merupakan hasil pengembangan sistem informasi angkot yang sudah ada sebelumya seperti, Angkot tiBandung, Kiri, Angkot Bandung. Dengan menggunakan teknologi maps, geofence, dan geolocation menjadi peluang bagi pengembang untuk mengembangkan aplikasi pada platform Windows Phone dengan studi kasus jalur angkot di kota Bandung. Aplikasi ini dibuat berbasis Windows Phone dengan Software Visual Studio 2013 Update 4 termasuk SDK Windows Phone. Untuk membuat laporan aplikasi rancang bangun SI-MANGKOT berbasis Windows Phone dengan menggunakan teknologi maps, geofence, dan geolocation, Star UML sebagai software yang digunakan untuk menganalisis sistem aplikasi ini dan bahasa pemerograman C#.

Gambar 3.1 Prosedur Menggunakan Angkot

Gambar diatas menjelaskan bagaimana prosedur penggunaan angkot yang sedang berjalan saat ini. Dari pengguna mulai menentukan tujuan, kemudian mencari angkot hingga mendapatkan angkot yang dituju. Supir angkot mencari penumpang dengan cara mempromosikan angkotnya sambil berteriak jurusan yang dituju. Setelah mendapatkan angkot yang tepat, pengguna naik angkot dan diantar oleh supir angkot ke tujuan melalui rute angkot yang sudah ditentukan. Ketika sudah sampai, penumpang turun dan membayar ongkos. 3.1.2

3.1.1 Analisis Sistem Berjalan Untuk menganalisa perancangan suatu sistem, maka diperlukan analisis prosedur yang sedang berjalan. Tujuannya adalah untuk mengetahui bagaimana system yang sedang berjalan.

Analisis Sistem Yang Akan Dibangun

Analisis sistem yang akan dibangun menjelaskan bagaimana sistem yang akan dibuat secara rinci. Prosedur yang akan dibangun dijelaskan secara rinci pada flowmap dibawah.


40

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 Geolocation Dan Geofence dilakukan pada computer dengan spesifikasi sebagai berikut : 1) Perangkat Keras Kebutuhan analisis perangkat keras yang kami gunakan untuk membangun aplikasi ini adalah komputer atau Laptop dengan spesifikasi : a. Processor Intel(R) Core i3-3120 CPU @2.50GHz; b. Memory 8.00 RAM; c. Monitor resolusi 1366 x 768 (64 bit) (50Hz). 2) Perangkat Lunak Gambar 3.2 Prosedure Sistem Yang Akan Dibangun Phase A Prosedur Sistem Yang Akan Dibangun User

System

Windows Phone Store

A

Tampil Map Trayek Angkot

Ya

Tidak

Pilih Trayek Angkot ? If Point GPS = Point Latitude & Longitude (Rad 100 m)

Tampil Nama Jalan

Tidak

Pilih About ?

Tampil Nama Jalan

A

Ya

Tampil About

A

Tidak

Pilih Rate & Review ?

Kirim Rate & Review

Tampil Rate & Review

Tidak

Phase B

Exit

SIMANGKOT A

Selesai

Gambar 3.3 Prosedure Sistem Yang Akan Dibangun Phase B

3.1.3

Sebagai perangkat lunak yang kami gunakan untuk Rancang Bangun Aplikasi SIMANGKOT Bandung Menggunakan Kolaburasi Teknologi Maps, Geolocation Dan Geofence ini antaranya : a. Windows 8 64-bit (6.1, Build 7600); b. Visual Studio 2013 Update 4 c. SDK Windows Phone 8.0; d. Bahasa pemrograman yang digunakan adalah C# dan XAML; e. API Bing Maps, Geofence dan Geolocation. Metode Pengujian menggunakan device yang memiliki spesifikasi sebagai berikut: a. Device Lumia 620 b.OS Windows Phone 8.0 c. RAM 512 MB d.Require GPS 1.1 Pembahasan Hasil Implementasi Tampilan SIMANGKOT

SplashScreen

Aplikasi

Use Case Diagram

Usecase menjelaskan penggambaran aplikasi yang akan dibuat secara detail dengan menggunakan Universal Modelling Language (UML) yang menggambarkan perancangan secara universal.

Gambar 4.1 Tampilan SplashScreen Gambar 3.4 Use Case Diagram Aplikasi

IV. IMPLEMENTASI DAN PENGUJIAN 4.1 Lingkungan Implementasi

Keterangan: Setelah aplikasi terinstall di windows phone 8.0 saat membuka aplikasi SIMANGKOT maka akan muncul tampilan pertama yaitu tampilan splashscreen. Tunggu hingga aplikasi selesai menginisialisasi sistem.

Lingkungan implementasi dan pengujian pada Rancang Bangun Aplikasi SIMANGKOT Bandung Menggunakan Kolaburasi Teknologi Maps, Jurnal Nasional JMII 2017

41

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 Tampilan SIMANGKOT

MainPage

Aplikasi

Gambar di bawah merupakan hasil implementasi aplikasi Simangkot Bandung bagian Menu Utama.

  

Klik tombol – Tombol ini berfungsi untuk melakukan zoom out pada peta rute angkot. Klik di App Bar Show Location Menu ini berfungsi untuk menampilkan point utama terminal hulu dan hilir. Klik di App Bar Hide Location

Menu ini berfungsi untuk menyembunyikan point utama terminal hulu – hilir.

V. KESIMPULAN DAN SARAN 5.1 Kesimpulan

Gambar 4.2 Tampilan Menu MainPage Aplikasi

Tampilan Maps Rute Angkot Gambar di bawah merupakan hasil implementasi aplikasi Simangkot Bandung bagian maps view

Kesimpulan yang dapat diambil dari Rancang Bangun Aplikasi SIMANGKOT Bandung Menggunakan Kolaburasi Teknologi Maps, Geolocation Dan Geofence adalah sebagai berikut; 1. Teknologi Bing Maps, Geofence dan Geolocation dari Microsoft dapat digunakan untuk mengembangkan aplikasi yang bisa membantu masyarakat pengembang (Developer) untuk program smartcity di kota Bandung. 2. Aplikasi SIMANGKOT Bandung menyediakan informasi rute jalur angkot di sekitar kota bandung menggunakan Maps Geolocation dan Geofence. Teknologi ini memanfaatkan lokasi GPS dan rute jalur angkot yang digambar secara polyline menggunakan geocordinate di layer Bing Maps. 3. Aplikasi SIMANGKOT Bandung memberikan kemudahan untuk masyarakat yang masih awam dengan informasi seputar transportasi umum di kota Bandung khususnya angkot sekitar kota Bandung.

5.2 Saran

angkot. Gambar 4.3 Tampilan Maps Rute Angkot

Saran yang dapat diberikan berdasarkan hasil yang telah dicapai maupun untuk pengembangan aplikasi pada masa yang akan datang, antara lain : 1. Aplikasi ini masih menggunakan 4 sampel rute jalur angkot, diharapkan pembaca dapat mengembangkan aplikasi SIMANGKOT Bandung. 2. Fitur SIMANGKOT Bandung dapat ditambah dengan fitur pencarian awal dan akhir sebagai pencarian jalur angkot terdekat.

Di MainPage klik angkot Dago – Sta.Hall untuk menampilkan rute maps trayek angkot Dago – stasiun Saran dan kesan harap kirimkan ke pengembang bandung. melalui install aplikasi SIMANGKOT Bandung for  Klik di appbar tombol get location. Windows Phone di url http://bit.ly/wp8-simangkot Tombol ini berfungsi untuk menampilkan lalu beri rate dan review aplikasi SIMANGKOT lokasi pengguna secara realtime, lokasi Bandung. pengguna digambarkan lingkaran berwarna hijau pada layer map.  Klik tombol + Tombol ini berfungsi untuk melakukan zoom in pada peta rute angkot. Jurnal Nasional JMII 2017

42


REFERENSI

14] Menggunakan Metode White Box Dan Black Box," Sistem Informasi – STMIK HIMSYA Semarang, pp. 35, 2012.

1]

[ R. T. Andy Wigley, M5: Windows Phone 8 Application Lifecycle, Seattle: Microsoft Corporation, 2012.

2]

[ Irwanto, "Sistem Teknologi Informasi," in Sistem Teknologi Informasi, Yogyakarata, Andi Offset, 2006, p. 48.

3]

4] 5]

6]

7]

8]

9]

[ Oxford University Press, "Definition of app in English," 20 Juni 2015. [Online]. Available: http://www.oxforddictionaries.com/definition/english/a pp. [ T. Heriyanto, "Indonesia Masuk 5 Besar Negara Pengguna Smartphone," in Detik Inet, Jakarta, 2015. [ L. McCarthy, "Introduction to mobile app development," in Microsoft Virtual Academy, Seattle, 2014. [ E. Brinks, "Mobile App Development Life Cycle," Cubix Labs. Inc., 16 Juni 2012. [Online]. Available: http://www.socialcubix.com/blog/mobileapp-development-life-cycle. [Accessed 20 Juni 2015]. [ W. Setiawan, "Geolocation di Windows Phone," 15 April 2015. [Online]. Available: https://wirasetiawan29.wordpress.com/2015/04/24/geo location-di-windows-phone/. [Accessed 20 Juni 2012]. [ Microsoft, "Introduction to the Geolocation API," Microsoft Developer Network, 1 January 2012. [Online]. Available: https://msdn.microsoft.com/enus/library/ie/gg589513%28v=vs.85%29.aspx. [Accessed 20 Juni 2015]. [ M. Shapiro and A. Wigley, "Maps, Geolocation and Geofencing," Building Apps for Windows Phone 8.1 Jump Start, pp. 2-35, 30 April 2014.

[ Bonaditya, "Daftar Angkutan Umum Di Kota 10] Bandung," Infobdg, 17 Maret 2015. [Online]. Available: http://www.infobdg.com/v2/infokota/transportasi/trayek-angkot-bandung/. [Accessed 20 Juni 2015]. [ Trifa News, "Rute Angkot Bandung," 26 Maret 11] 2011. [Online]. Available: http://trifanews.com/ruteangkot-bandung.html. [Accessed 27 Juni 2015]. [ A. Nugroho, Rekayasa Perangkat Lunak 12] Menggunakan UML dan Java, Bandung: Andy, 2005. [ TIM Proyek 2, Pedoman Proyek 2 Teknik 13] Informatika DIII, Bandung: Politeknik Pos Indonesia, Teknik Informatika, 2014. [

A. Rouf, "Pengujian Perangkat Lunak Dengan Jurnal Nasional JMII 2017

43


DIGITAL REMINDER CUSTOMER PAYMENT Hari Supriyadi Fakultas Teknik, Program Studi Sistem Informasi Universitas Widyatama Bandung [email protected]

Abstrak Pada saat ini perkembangan teknologi membawa dampak yang sangat besar terhadap kehidupan sehari-hari termasuk pada Toko XYZ. Toko XYZ adalah sebuah perusahaan dagang yang bergerak di bidang fashion. Saat ini Toko XYZ belum memanfaatkan teknologi yang mampu memberikan pelayanan kepada pelanggan, khusunya dalam memberikan informasi produk-produk fashion, dan dalam mengingatkan para pelanggan dalam hal jatuh tempo pembayaran. Akibatnya para pelanggan Toko XYZ yang berada di luar kota dan luar pulau jawa sering ketinggalan informasi produkproduk baru yang dimiliki oleh toko, dan pihak toko sering lupa dalam mengingatkan para pelanggannya dalam hal jatuh tempo pembayaran.

Pada Penelitian ini, peneliti mecoba mengimplementasikan teknologi informasi dalam membantu kinerja Toko XYZ, dengan membangun Digital Reminder Customer Payment. Peneliti berharap dengan dibangunnya aplikasi ini dapat membantu toko dalam mengenalkan produk-produk terbarunya kepada pelanggan, serta mampu membantu dalam mengingatkan para pelanggan dalam hal jatuh tempo pembayaran. Kata kunci :

Reminder Customer Payment

Abstract In the current technological developments bring enormous impact on everyday life including the XYZ Stores. XYZ Store is a trading company engaged in the field of fashion. Currently XYZ Store not utilize technology capable of providing services to customers, especially in providing information fashion products, and to remind the

customer in terms of the payment due date. As a result, customers XYZ shop who are out of town and out of the island of Java often miss new products information owned by the store, and the store often forget to remind its customers in terms of the payment due date.

This research tries to implement information technology in helping performance XYZ Stores, with build-Based Digital Payment Customer Reminder. The research hopes that with the construction of this application can help store in introducing new products to the customer, and is able to assist in alerting the customer in terms of the payment due date.

Key word: Reminder Customer Payment

I. PENDAHULUAN 1.1 Latar belakang Toko XYZ merupakan salah satu usaha yang bergerak dibidang fashion yang menjual berbagai macam jenis jaket, celana, kemeja, atasan dan lainnya. Toko ini berdiri sejak tahun 1960, pada awalnya toko ini hanya menjual secara eceran dan masih pedagang kaki lima. Seiring berkembangnya zaman semakin berkembang juga usaha yang dimiliki oleh toko ini dan semakin banyak pelanggan yang datang ke toko ini. Pada awal tahun 2000 toko ini mempunyai tempat yang cukup besar beralamatkan di Jalan Arjuna No. 19 Ciroyom Bandung. Sekarang toko tersebut berpindah haluan yang awalnya menjual secara eceran, sekarang sudah menjadi toko grosir. Toko XYZ berdagang mengikuti prinsip dan konsep bisnis orang Cina yang bertekad kuat untuk maju, jujur, adil, ramah kepada para pelanggan dan


44

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 memiliki Etos kerja yang sangat tinggi, sehingga toko ini mampu berkembang dan memiliki pelanggan yang cukup banyak. Selain dari daerah sendiri (Bandung) Toko XYZ juga memiliki pelanggan yang berasal dari luar kota seperti Jakarta, Surabaya, Bogor bahkan ada yang dari luar Pulau Jawa. Pelanggan yang mempunyai jarak yang dekat dengan toko biasanya langsung datang ke toko akan tetapi untuk pelanggan yang jauh biasanya memesan produk lewat telephone seluler, mereka datang ke toko hanya sesekali saja, itupun jika ada produk-produk baru. Berdasarkan informasi yang diperoleh dari pemilik toko, pelanggan yang paling besar yaitu pelanggan yang berasal dari luar pulau Jawa, karena pelanggan yang berasal dari luar pulau Jawa mereka memesan produk sangat banyak sekali dengan budget lebih dari Rp 100.000.000,- sekali belanja bahkan bisa melebihi. udget yang sebelumnya mereka siapkan, oleh karena itu pihak toko memberi keringanan dalam hal pembayaran dan biasanya pelanggan membayar 80% dari jumlah produk yang dipesan, untuk sisanya para pelanggan membayar secara mengangsur dengan melakukan perjanjian pembayaran kapan mereka akan membayar sisanya. Namun seringkali mereka lupa kapan mereka harus membayar sisa uang yang belum mereka bayar. Untuk membantu pihak toko dalam mengenalkan produk-produk fashion sekaligus mengingatkan para pelanggannya yang melakukan transaksi pembelian produk fashion secara mengangsur, maka pihak toko perlu memanfaatkan teknologi informasi, salah satunya aplikasi yang bisa memberikan solusi terhadap hal di atas. Selama ini Toko XYZ belum mempunyai aplikasi tersebut, sehingga para pelanggan kesulitan dalam mengetahui produk-produk terbaru, dan pihak toko mengalami kendala terutama dalam hal memberikan konfirmasi jatuh tempo pembayaran terhadap pelanggan. Berdasarkan uraian diatas, sebaiknya Toko XYZ mengimplementasikan teknologi informasi dalam membantu kinerja perusahaan. 1.2

Identifikasi Masalah

Berdasarkan latar belakang tersebut, peneliti dapat mengidentifikasi masalah-masalah sebagai berikut : a. Pelanggan selalu ketinggalan informasi tentang produk-produk terbaru yang dimiliki

b.

Toko XYZ terutama pelanggan yang berada diluar Pulau Jawa. Belum adanya sistem pemberitahuan yang realtime yang mampu memberitahu pelanggan.

1.3 Rumusan Masalah Berdasarkan identifikasi masalah tersebut penyusun dapat merumuskan permasalahan sebagai berikut : 1. Bagaimana cara menyajikan informasi yang baik kepada para pelanggan supaya para pelanggan tidak ketinggalan informasi produk Toko XYZ. 2. Bagaimana cara membangun Media Digital Customer Payment di Toko XYZ ?

II. KAJIAN LITERATUR 2.1 Konsep Dasar Perangkat Lunak Perangkat lunak (software) adalah program komputer yang berfungsi sebagai penghubung antara pengguna (user) dan perangkat keras (hardware). Perangkat lunak (software) bisa dikatakan juga sebagai “penerjemah” perintah-perintah yang dijalankan pengguna komputer untuk diproses oleh perangkat keras (hardware). Perangkat lunak adalah : (1) perintah (program komputer) yamg bila dieksekusi memberi fungsi dan ujuk kerja seperti yang diinginkan. (2) struktur data yang memungkinkan program memanipulasi informasi secara proporsional, dan (3) dokumen yang menggambarkan operasi dan kegunaan program (Andi Kristanto, 2004). 2.2 Definisi Rekayasa Perangkat Lunak Secara umum rekayasa perangkat lunak (software engineering) memiliki pengertian sebagai sebuah disiplin ilmu yang menerapkan teori-teori dasar bidang tertentu, kedalam sebuah perangkat lunak (software) yang digunakan sebagai alat bantu pemecahan masalah atau proses pengambilan keputusan. Rekayasa perangkat lunak (software engineering) adalah Suatu disiplin ilmu yang mengintegrasikan proses atau prosedur, metode, dan perangkat tools untuk pembangunan perangkat lunak computer. (Roger S.Pressman, 97)


45

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 2.3 Model Pengembangan Perangkat Lunak Pemodelan rekayasa perangkat lunak (software engineering) merupakan kegiatan yang dilakukan pada tahap awal dalam rekayasa perangkat lunak. Pemodelan ini berpengaruh terhadap hal-hal yang akan dikerjakan dalam pembangunan perangkat lunak (software). Pemodelan rekayasa perangkat lunak memiliki beberapa model diantaranya : 1. 2. 3. 4.

Waterfall Prototype Spiral RAD (Rapid Application Development)

2.4 Pemodelan Waterfall Teknik pemodelan waterfall atau linear sequential model merupakan model yang dikembangkan untuk pengembangan perangkat lunak dan membuat perangkat lunak. Pemodelan ini berkembang secara sistematis dari satu tahap ke tahap lain seperti air terjun. Setiap tahapan pada model waterfall ini akan menghasilkan keluaran yang diperlukan sebagai bahan masukan untuk melanjutkan ketahap berikutnya, atau sebagai umpan balik untuk memperbaiki kekurangan atau kesalahan yang mungkin ada ditahap sebelumnya. Berikut ini mengilustrasikan model waterfall yang disampaikan oleh Pressman 1997.

2. 3.

Diagram hubungan antar entitas (Entity Relationship diagram/ERD) Diagram aliran data (Data Flow Diagram/DFD) Kamus data (Data Dictionary)

Basis data terdiri atas 2 kata, yaitu basis dan data. Basis dapat diartikan sebagai markas atau gudang, tempat bersarang atau berkumpul. Sedangkan data adalah representasi fakta dunia nyata yang mewakili suatu objek seperti manusia (pegawai, pembeli, pelanggan), barang, hewan, peristiwa, konsep, keadaan, dan sebagainya, yang direkam dalam bentuk angka, huruf, symbol, teks, gambar, bunyi dan kombinasi. Basis data sendiri dapat didefinisikan dalam sejumlah sudut pandang seperti : 1.

2.

3.

Himpunan kelompok data (arsip) yang saling berhubungan yang diorganisasi sedemikian rupa agar kelak dapat dimanfaatkan dengan mudah. Kumpulan data yang paling berhubungan yang disimpan secara bersama sedemikian rupa dan tanpa pengulangan (redundasi) yang tidak perlu, untuk memenuhi berbagai kebutuhan. Kumpulan file/tabel/arsip yang saling berhubungan yang disimpan dalam media penyimpanan elektronis. (Fatansyah, 1999)

III. ANALISIS DAN PERANCANGAN DIGITAL CUSTOMER REMINDER PAYMENT

Pemodelan sistem informasi

Design

1.

2.6 Basis Data

Dalam pembangunan Digital Reminder Customer Payment peneliti menggunakan model yaitu model waterfall.

Analysis

dihasilkan oleh tools tersebut dapat digunakan oleh tools yang lain dalam suatu sistem perangkat lunak. Adapun tools dalam perancangan terstruktur adalah sebagai berikut :

Code

Test

3.1 Analisis Payment

Digital

Customer

Reminder

Gambar 1 Model Sekuensial Liner (Waterfall Model)

2.5 Alat Bantu Analisis Alat bantu analysis perangkat lunak memberi topangan yang otomatis atau semi otomatis pada proses-preses dan metode-metode yang ada. jika suatu tools terintegrasi, maka informasi yang

Analisis dalam pengembangan perangkat lunak (software development), merupakan kegiatan untuk mengindentifikasikan dan mendefinisikan semua kebutuhan pengguna yang diperoleh dari hasil wawancara dan observasi. Adapun kegiatan pembangunan perangkat lunak tersebut dimulai dari


46

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 tahap analisis kebutuhan data, analisis kebutuhan fungsional, dan analisis pemodelan yang mencakup ERD, DFD, dan kamus data.

Data Login Detail Data Login Verifikasi Login

Data Login

1.0 Kelola Data Login

Verifikasi Login

Tabel Login

3.1.1 Diagram Konteks (Context Diagram) Diagram konteks (context diagram) merupakan diagram yang menggambarkan ruang lingkup suatu sistem, baik untuk menggambarkan seluruh input ke sistem ataupun output ke sistem. Adapun diagram konteks yang menggambarkan ruang lingkup Digital Reminder Customer Payment adalah sebagai berikut :

Data Pelanggan

Administrator

Detail Data Login

2.0 Kelola Data Pelanggan

Tabel Pelanggan

Pelanggan

Detail Data Produk

Cetak Data Pesanan

Data Produk

Data Produk

Detail Data Produk

Data Pelanggan

Data Perjanjian

Data Login

Data Pesanan Produk

Verifikasi Login

Administrator

Detail Data Login Detail Data Pelanggan

Aplikasi Reminder Customer Payment

3.0 Kelola Data Produk

Tabel Data Produk

Data Login

Pelanggan

Verifikasi Login Detail Data Produk

Detail Data Produk

Detail Pesanan Produk

Detail Data Pesanan

Report Jatuh Tempo Pembayaran Data Pesanan Produk

Detail Data Perjanjian

Detail Data Pesanan Cetak Data Pesanan

Gambar 2 Context Diagram

3.1.2 DFD Level 1

4.0 Kelola Data Pesanan

Detail Pesanan Produk

Tabel Data Pesanan Data Perjanjian Report Jatuh Tempo Pembayaran

DFD level 1 menggambarkan fungsi-fungsi utama atau menunjukan proses, aliran data dan external entity. Adapun DFD level 1 untuk Digital Reminder Customer Payment adalah sebagai berikut.

Detail Data Perjanjian

5.0 Kelola Data Perjanjian Tabel Data Perjanjian

Gambar 3 Data Flow Diagram

3.1.3 EntityRelationship Diagram Entity Relationship Diagram (ERD) merupakan notasi grafik dari sebuah model data atau sebuah model jaringan yang menjelaskan tentang data yang tersimpan dalam sistem secara abstrak. Adapun ERD yang menunjukan hubungan antar entitas yang ada pada perangkat lunak yang dibangun adalah sebagai berikut:


47


Id Pelanggan Id Pengguna

Pelanggan

No HP

Id Produk

Id Produk

Nama Pelanggan

Kata Sandi

Nama Produk

Harga

2.

N

N

Memesan

Produk

Halaman Menu Utama Administrator

Deskripsi Data Perjanjian

1

Data Login Data Pelanggan

Data Produk

Logout

LOGO

Alamat

Jumlah produk

Deskripsi

Ukuran

Selamat Datang di Toko Muscat

Total Belanja

GROSIR FASHION JL ARJUNA NO. 19 BANDUNG

Mengisi

Gambar

Hp: 085720216657, 081321474807, 082118209942 BCA : 28 10 21 6002

Id Pelanggan

MANDIRI : 13-000-10-505-629

No.Registrasi

BNI : 01 99519959

1

Perjanjian

No.Registrasi

Bayar

Cicilan

Uang Muka

Copyright 2014. Toko Muscat. Coorporation. 3 Brother

Gambar 7 Menu Utama Adminstrator

Gambar 4 Entity Relationship Diagram

3.

Halaman Menu Utama Pelanggan

3.2 Perancangan Digital Customer Reminder Payment

Produk

Perancangan dalam membangun perangkat lunak merupakan kegiatan untuk mengontruksikan sebuah sistem yang sesuai dengan kebutuhan pengguna yang didapat dari hasil analisis, agar perangkat lunak yang dibangun dapat memberikan kepuasan bagi pengguna perangkat lunak yang dibangun tersebut. 3.2.1

Keranjang

Logout

LOGO

Selamat Datang di Toko Muscat GROSIR FASHION JL ARJUNA NO. 19 BANDUNG Gambar

Hp: 085720216657, 081321474807, 082118209942 BCA : 28 10 21 6002 MANDIRI : 13-000-10-505-629 BNI : 01 99519959

Rancangan Antarmuka

Rancangan antarmuka merupaan tahapan dimana perancangan aplikasi yang sudah dipersiapkan kemudian ditampilkan menjadi antarmuka antara pengguna dengan aplikasi. Adapun rancangan antarmuka dari Digital Reminder Customer Payment adalah sebagai berikut:


Gambar 8 Menu Utama Pelanggan

4.

Halaman Produk Produk

Keranjang

Logout

LOGO

1.

Halaman Login Gambar

Gambar

Gambar

Gambar

Gambar

Gambar

MUSCAT CORPORATION

LOGO

Gambar Slide

Id Pengguna

Kata Sandi

Masuk

Copyright 2014. Toko Muscat. Coorporation. 3 Brother Copyright 2014. Toko Muscat. Corporation. 3 Brother

Gambar 5 Halaman Login

Gambar 9 Halaman Produk


48

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 5.

Halaman Pemesanan Produk

7. Keranjang

Halaman Perjanjian

Logout

Produk

Keranjang

Logout

LOGO

LOGO Silahkan isi form perjanjian dibawah

Gambar

Nama Produk Harga

Nama

Bang Zamal

No. HP

081321xxxxxx

Total Pesanan

Rp :

Uang Muka

Rp :

Sisa

Ukuran

S, M, L & XL

Warna

Hitam, Coklat, hijau dan Abu

Keterangan :

No. Reg

1.xxx.xxx.xxx

Anda akan mendapatkan pemberitahuan berupa pesan lewat sms. Pesan tersebut hanya untuk mengingatkan anda dalam hal pembayaran cicilan.

Rp : Maksimal 2 kali cicilan

Form Pemesanan

Cicilan Pertama

TGL/BLN/THN

Rp :

Cicilan Kedua

TGL/BLN/THN

Rp :

Jumlah Deskripsi

Beli

Ok

Kembali



Gambar 10 Halaman Pemesanan 6.

Gambar 12 Halaman Perjanjian

Halaman Keranjang Produk

Keranjang

8.

Logout

Halaman Data Perjanjian

LOGO Data Pesanan

Data Perjanjian


Data Produk

Logout

LOGO

Identitas

DataPerjajian Nama Alamat No HP

: : :

Transaksi Hari ini

Pesanan

No Nama Produk 1 Urban Tanduk 2 Mayer Cewe 3 4 5 Total

Rp :1.xxx.xxx.xxx

Jumlah Harga Deskripsi 100 63000 campur 50 65000 campur

Cara Pembayaran

Batal Batal

Kontan


Gambar 11 Halaman Keranjang

Kredit

NO No. Reg Nama 1 1BangBeni 2 2BangZamal 3 3AntoD_zone 4 4AndreDago 5 5MangAsep 6 7 8 9 10 11 12 13 14 15

CARI

No. HP Total Belanja UangMuka 085624xxxxxx Rp200,000,000 Rp150,000,000 081321xxxxxx Rp250,000,000 Rp200,000,000 088812xxxxxx Rp20,000,000 Rp15,000,000 087816xxxxxx Rp10,000,000 Rp8,000,000 089981xxxxxx Rp50,000,000 Rp40,000,000

Cicilan1 Bayar1 Cicilan2 Bayar2 Detail 26-Nov-88 Rp25,000,000 3-Dec-88Rp25,000,000 27-Nov-88 Rp25,000,000 4-Dec-88Rp25,000,000 28-Nov-88 Rp2,500,000 5-Dec-88 Rp2,500,000 29-Nov-88 Rp1,000,000 6-Dec-88 Rp1,000,000 30-Nov-88 Rp5,000,000 7-Dec-88 Rp5,000,000


Gambar 13 Halaman Data Perjanjian


49

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 9.

Halaman Data Pesanan Data Perjanjian


Data Produk

12. Halaman Ubah Data Login

Logout

LOGO Data Pesanan

Data Perjanjian

Nama Alamat No HP


Data Produk

Logout

LOGO

Identitas

Pembaruan Data

: : :

ID Pengguna

Pesanan No

Total

N a m a P ro d u k 1 U rb a n T a n d u k 2 M aye r Ce w e 3 4 5

Kata SAndi

Ju m lah H a rg a D e s k ri p s i 100 63000 cam p u r 50 65000 cam p u r

Konfirmasi

Simpan

Rp :1.xxx.xxx.xxx

Print

Download

Kembali

Kembali


Gambar 14 Halaman Data Pesanan


10. Halaman Data Login Data Perjanjian

Data Login

Data Pelanggan

Data Produk

Logout

LOGO

Gambar 17 Halaman Ubah Data Login

Data Login Tambah

N O 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Id P e n g g u n a b e n i rjb d _zam al a n to d _zo n e a n d re _ d a g o m ase p u n i_e l n in a 07 b _is

13. Halaman Data Pelanggan

CARI

K a ta S a n d i istim e w a lu a r b ia sa b u ka d o n g d itu n g g u a n si kase p o p e n p lis n in 4 b 4h e n o l n u 9e l15

A p p p p p p p

S ta tu s d m in e la n g g a n e la n g g a n e la n g g a n e la n g g a n e la n g g a n e la n g g a n e la n g g a n

R e v e d it e d it e d it e d it e d it e d it e d it e d it

is | | | | | | | |

Gambar 15 Halaman Data Login

11. Halaman Tambah Data Login Data Login

Data Pelanggan

Data Perjanjian

Data Produk


Data Produk

Logout

LOGO Data Login CARI

NO 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15


Data Perjanjian

i D a ta h ap u s h ap u s h ap u s h ap u s h ap u s h ap u s h ap u s h ap u s

Id P e lan ggan b e n i rjb d _zam al an to d _zon e an d re _d ago m ase p u n i_e l n in a 07 b _is

N am a istim e w a lu ar b iasa b u ka d on g d itu n ggu an si kase p op e n p lis n in 4 b 4h e n ol n u 9e l15

A lm at A d m in p e lan ggan p e lan ggan p e lan ggan p e lan ggan p e lan ggan p e lan ggan p e lan ggan

N o Han d p h on e 81231453678 81231453678 81231453678 81231453678 81231453678 81231453678 81231453678 81231453678

Re visi Data e d it | h ap u s e d it | h ap u s e d it | h ap u s e d it | h ap u s e d it | h ap u s e d it | h ap u s e d it | h ap u s e d it | h ap u s

Logout

LOGO Data Baru


Data Pelanggan Nama

Alamat

Gambar 18 Halaman Data Pelanggan

No. Handphone

Status

Admin / pelanggan

Data Login ID Pengguna

Kata SAndi

Konfirmasi

Simpan

Kembali


Gambar 16 Halaman Tambah Data Login


50

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 14. Halaman Data Produk Produk

3.2.2 Perangkat Implementasi Keranjang

Data Perjanjian Data Login Data Produk

Pengembangan

dan

Logout

Dalam membangun perangkat lunak, dibutuhkan sumber daya yang dapat menunjang kegiatan membangun perangkat lunak tersebut. Sumber daya tersebut terdiri dari perangkat keras (hardware), perangkat lunak (software), serta sumber daya manusia (brainware).

LOGO Data Baru Id_Produk

Nama

Ukuran

Harga

1.

Lingkungan Perangkat Keras

Warna

Perangkat keras (hardware) yang dibutuhkan untuk mendukung kegiatan pengembangan perangkat lunak yang dibangun agar dapat digunakan dengan baik, minimal memiliki konfigurasi sebagai berikut:

Tipe / Jenis

Chose Foto

Foto

Simpan

Kembali

1. Processor berkecepatan minimal 1,4 Ghz (Giga Heartz) 2. Random Acces Memory (RAM) 2 Ghz (Giga Heartz) 3. Harddisk dengan kapasitas free 40 GB (Giga Byte) 4. Alat input, yaitu keyboard, mouse, dan flashdisk 5. Alat output, yaitu monitor, printer, modem GSM


Gambar 19 Halaman Data Produk

15. Halaman Ubah Data Produk Produk

Keranjang

Data Perjanjian Data Login Data Produk

Logout

LOGO Perbarui Data

2. Lingkungan Perangkat Lunak

Id_Produk

Perangkat lunak (software) yang dibutuhkan sebagai penunjang dalam kegiatan pengembangan perangkat lunak yang dibangun adalah sebagai berikut:

Nama

Ukuran

Harga

1. 2. 3. 4.

Warna

Tipe / Jenis

Foto

Chose Foto

Simpan

Sistem operasi Windows XP/7 XAMPP Macromedia Dreamweaver 8 Adobe Photoshop CS2

Kembali

3. Sumber Daya Manusia Copyright 2014. Toko Muscat. Coorporation. 3 Brother

Gambar 20 Halaman Ubah Data Produk

Sumber daya manusia (brainware) dalam pengembangan perangkat lunak memiliki peranan yang sangat penting, diperlukan sumber daya manusia yang berpotensi untuk mengelola aplikasi tersebut. Adapun sumber daya manusia yang dibutuhkan dalam pengembangan perangkat lunak ini adalah sumber daya manusia yang memiliki keunggulan dalam mengoperasikan komputer, memiliki pengetahuan dan menguasai bahasa pemrograman yang digunakan dalam membangun aplikasi ini.


51

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 Andri Kristanto. 2004. Rekayasa Perangkat Lunak (Konsep Dasar) Yogyakarta; Gava Media. 3.2.3

Pengujian

Dalam tahap pengujian perangkat lunak yang dibangun ini peneliti menggunakan metode black box, pengujian metode black box merupakan metode pengujian yang berfokus pada persyaratan fungsional aplikasi.

Sutarman. 2007. Membangun Aplikasi Web dengan PHP & MySql.Yogyakarta: Graha Ilmu

IV. KESIMPULAN DAN SARAN Kesimpulan yang dapat diambil dari penelitian ini antara lain adalah sebagai berikut : 1.

2.

3.

Aplikasi ini dibangun dengan menggunakan model waterfall yaitu melalui tahapan-tahapan mulai dari analisis, perancangan, pengkodean, sampai ke tahap pengujian (testing), tahapantahapan itu dilakukan untuk mempermudah dalam pembuatan aplikasi ini. Aplikasi yang dibangun memiliki kemampuan untuk menyajikan informasi mengenai produkproduk yang dimiliki oleh Toko XYZ, yang dapat diakses melalui internet, sehingga mempermudah para pengunjung atau pelanggan Toko XYZ dalam membeli atau memesan produk yang diinginkannya. Data yang dipesan akan diterima oleh pihak toko dan akan ditindak lanjuti. Digital Reminder Customer Payment diterapkan pada aplikasi ini, yaitu dengan mengisi form perjanjian yang sudah tersedia untuk mengingatkan para pelanggan dalam hal jatuh tempo pembayaran. Sehingga pihak toko tidak direpotkan dengan para pelanggannya yang lupa membayar sisa pembayaran.

REFERENSI Pressman. Roger. S, Ph. D. 202 Rekayasa Perangkat Lunak (pendekatan praktisi buku satu). Yogyakarta; ANDI Fatansyah. 1999. Informatika.

Basis

Data.

Bandung:

Ann Wan Seng. 2013 Rahasia Bisnis Orang Cina. Noura Books.


52


SISTEM INFORMASI PEMASARAN BERBASIS WEB E-COMMERCE PADA UMKM BINAAN HPP KABUPATEN PANGANDARAN (STUDI KASUS UMKM SIMPATI COLLECTION) Muhammad Benny Chaniago1), Asep Nuryanto2) 1), 2)

Sistem Informasi Universitas Widyatama Bandung Jl Cikutra 204A, Bandung 40125

Email : [email protected]), [email protected])

1. PENDAHULUAN Abstrak

Simpati Collection merupakan suatu usaha dalam bidang penjualan produk baju dan celana khas Pangandaran. Saat ini Simpati Collection dalam kegiatan promosi dan pemasaran produk masih dengan cara statis yaitu dengan membuka toko di kawasan pangandaran saja. Hal ini menyebabkan ruang lingkup pemasaran masih belum luas dan lambat serta komunikasi kepada pelanggan dan calon pelanggan masih belum efisien. Oleh karena itu Simpati Collection membutuhkan sistem informasi yang lebih modern agar proses promosi dan pemasaran bisa lebih luas dan lebih cepat serta lebih efisien dalam berkomunikasi dengan pelanggan dan calon pelanggan. Selain itu Simpati Collection ingin menghadirkan inovasi baru di bidang penjualan baju dan celana khas pangandaran dengan sistem pemasaran e-Commerce. Metode yang diusulkan dalam pengembangan sistem menggunakan analisis berorientasi obyek ditambah dengan desain menggunakan tool Unified Modeling Language (UML) sebagai bahasa pemodelannya. Output dari penelitian ini adalah terciptanya media pemasaran atau promosi berbasis website dengan sistem E-commerce bagi Simpati Collection sehingga tersedianya sarana komunikasi yang efektif dan efisien bagi pelanggan dan calon pelanggan Simpati Collection. Kata kunci: e-Commerce, UML, Website, Sistem Informasi, Pelanggan.

Pemberdayaan UMKM bertujuan untuk meningkatkan pengembangan daerah, membuat lapangan kerja, pemerataan pendapatan, pertumbuhan ekonomi dan pengentasan kemisikinan. Oleh karena itu, pengelola atau pemilik UMKM perlu melakukan strategi pemasaran yang baik terhadap produk yang dikelola agar mendapatkan pendapatan yang menjadi salah satu tujuan utama UMKM. Zaman sekarang merupakan era teknologi, kebutuhan manusia dalam akses data semakin meningkat tidak terkecuali dalam mengakses situs online untuk melakukan transaksi jual beli, ini disebabkan adanya pola pergeseran hidup manusia ke arah yang lebih baik. Hal ini dapat terfasilitasi dengan cepat dengan pemanfaatan komputer. Berdampak akan terjadinya keefisiensian waktu, biaya dan resource. Simpati Collection merupakan suatu usaha dalam bidang penjualan produk baju dan celana khas Pangandaran. Saat ini Simpati Collection dalam kegiatan promosi dan pemasaran produk masih dengan cara statis yaitu dengan membuka toko di kawasan pangandaran saja. Hal ini menyebabkan ruang lingkup pemasaran masih belum luas dan lambat serta komunikasi kepada pelanggan dan calon pelanggan masih belum efisien. Oleh karena itu Simpati Collection membutuhkan sistem informasi yang lebih modern agar proses promosi dan pemasaran bisa lebih luas dan lebih cepat serta lebih efisien dalam berkomunikasi dengan pelanggan dan calon pelanggan. Selain itu Simpati Collection ingin menghadirkan inovasi baru di bidang penjualan baju dan celana khas pangandaran dengan sistem pemasaran e-Commerce.


53

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 Dengan berkembangnya sarana teknologi, Simpati Collection pun tak lupa untuk menerapkannya dimana nantinya untuk lebih menunjang proses publikasi atau promosi dapat menggunakan sarana online seperti website. Oleh karena itu, dalam penelitian ini penulis mengambil inisiatif untuk membuatkan sistem berbasis web untuk Simpati Collection. Sistem ini dibuat agar dapat membantu mempercepat proses pengenalan, pemesanan dan penjualan produk serta kegiatan Simpati Collection sehingga seluruh masyarakat di seluruh Indonesia dapat menikmati dan terbantu dengan fasilitas yang ada pada web Simpati Collection. Berdasarkan latar belakang di atas, maka penulis dapat merumuskan beberapa masalah di antaranya : a. Bagaimana membuat media sebagai sarana pemasaran produk berbasis web dengan sistem e-Commerce bagi Simpati Collection secara profesional? b. Bagaimana membuat sarana komunikasi yang efisien bagi pelanggan dan calon pelanggan Simpati Collection? Adapun tujuan yang ingin dicapai dari hasil penelitian ini adalah sebagai berikut: a. Membantu terciptanya media pemasaran atau promosi berbasis website dengan sistem e-Commerce bagi Simpati Collection yang profesional. b.

Tersedianya sarana komunikasi yang efektif dan efisien bagi pelanggan dan calon pelanggan Simpati Collection.

Ruang lingkup penelitian ini hanya mendalami aspek-aspek pendukung proses pemasaran atau promosi produk dan kegiatan Simpati Collection terutama dalam hal pengenalan produk untuk pelanggan dan calon pelanggan Simpati Collection dengan membuatkan website melalui wordpress. Dalam penelitian ini sudah mencakup proses pemesanan produk (E-commerce) dan kegiatan yang sifatnya transaksional. Metode yang diusulkan dalam pengembangan sistem menggunakan analisis berorientasi obyek ditambah dengan desain menggunakan tool Unified Modeling Language (UML) sebagai bahasa pemodelannya.

1.1. Definisi Sistem Sistem menurut (Jogiyanto, 2005) adalah sekumpulan unsur/elemen yang saling berkaitan, saling mempengaruhi dan bekerjasama sesuai aturan yang ditetapkan untuk mencapai suatu tujuan. 1.2. Definisi Informasi Informasi menurut (Jogiyanto, 2005) adalah data yang telah diproses sehingga memiliki makna yang mudah dipahami atau dimengerti. Kualitas Informasi dinilai dari akurat, relevan dan tepat waktu. Sedangkan data itu sendiri adalah fakta atau kejadian yang terjadi di dalam sebuah perusahaan atau organisasi. Kebanyakan dari data tidak mempunyai makna jika digunakan tanpa didukung dengan data lain. 1.3. Definisi Sistem Informasi Sistem informasi menurut (O’Brien, 2005) adalah suatu sistem di dalam suatu organisasi yang mempertemukan kebutuhan pengolahan transaksi harian, mendukung operasi yang bersifat manajerial dan kegiatan strategi dari suatu organisasi dan pihak luar tertentu dengan laporan yang diperlukan. Dan sistem informasi terdiri dari brainware, hardware, software, computer networks and communications, dan database yang mengumpulkan, mengubah dan menyebarkan informasi di dalam suatu organisasi. 1.4. Aplikasi Berbasis Web Aplikasi menurut (Kadir, 2003) adalah suatu perangkat lunak yang siap pakai dengan menjalankan instruksi-instruksi dari pengguna (user). Aplikasi banyak diciptakan untuk membantu berbagai keperluan. Menurut (Simarmata, 2010), web adalah suatu sistem informasi yang disimpan pada sebuah server berupa teks, gambar, suara, dan lain-lain yang ditampilkan dalam bentuk hypertext. Aplikasi berbasis web dapat diakses dengan menggunakan web browser melalui internet. 1.5. Pemasaran Pemasaran menurut (Stanton, 2000) dapat didefinisikan sebagai usaha terpadu untuk menggabungkan rencana-rencana strategis yang diarahkan kepada usaha pemuas kebutuhan dan


54

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 keinginan konsumen untuk memperoleh keuntungan yang diharapkan melalui proses pertukaran atau transaksi. Kegiatan pemasaran perusahaan harus dapat memberikan kepuasan kepada konsumen bila ingin mendapatkan tanggapan yang baik dari konsumen. Perusahaan harus secara penuh tanggung jawab tentang kepuasan produk yang ditawarkan tersebut. Dengan demikian, maka segala aktivitas perusahaan, harusnya diarahkan untuk dapat memuaskan konsumen yang pada akhirnya bertujuan untuk memperoleh laba. 1.6. Definisi Wordpress WordPress menurut (Mullenweg, 2010) adalah alat blogging gratis dan open source serta sistem manajemen konten (CMS) berbasis PHP dan MySQL, yang berjalan pada layanan web hosting. WordPress adalah sistem blogging yang paling populer digunakan di Web, pada lebih dari 60 juta situs. WordPress mempunyai kelebihan-kelebihan sebagai berikut : a.

Free. Wordpress dapat digunakan secara gratis kepentingan komersial.

didownload dan termasuk untuk

b.

Berbasis open source. WordPress dapat dimodifikasi sesuai dengan keinginan kita sehingga WordPress dapat dijadikan media pembelajaran bagi programer tingkat lanjutan.

c.

WordPress memiliki desain tampilan yang mudah dimodifikasi sesuai keinginan user. User dapat mendownload template yang dapat dipilih sebanyak ribuan dan gratis.

d. WordPress juga sering dimanfaatkan sebagai blog komunitas dimana anggota komunitas bisa berperan sebagai kontributor. e.

WordPress dapat melakukan import data dari blog lainnya dengan mudah sehingga pengguna bisa melakukan migrasi data dengan mudah dan cepat.

f.

WordPress memiliki banyak plugin untuk melengkapi fitur-fitur standar seperti

plugin anti-spam, plugin web counter, dan lain-lain. g. WordPress dapat memunculkan standar, XML, dan XHTML.

CSS

h. WordPress memiliki struktur permalink untuk memudahkan mesin pencari mengenali struktur blog dengan baik. i.

Support terhadap LaTeX.

j.

Memiliki kemampuan Search Engine Optimizer yang baik.

1.7. UML Menurut (Nugroho, 2009), UML (Unified Modeling Language) merupakan sebuah bahasa yang berdasarkan grafik/gambar untuk memvisualisasi, menspesifikasikan, membangun, dan pendokumentasian dari sebuah sistem pengembangan software berbasis OO (Object-Oriented). UML sendiri juga memberikan standar penulisan sebuah sistem blue print, yang meliputi konsep bisnis proses, penulisan kelas-kelas dalam bahasa program yang spesifik, skema database, dan komponen-komponen yang diperlukan dalam sistem software. Menurut (Widodo, 2011) dan (Sholiq, 2006), dikatakan bahwa : “Notasi UML dibuat sebagai kolaborasi dari Glady Booch, DR. James Rumbough, Ivar Jacobson, Rebecca Wirfs-Brock, Peter Yourdon, dan lainnya. Jacobson menulis tentang pendefinisian persyaratan-persyaratan sistem yang disebut use case. Juga mengembangkan sebuah metode untuk perancangan sistem yang disebut Object-Oriented Software Engineering (OOSE)”. Dan saat ini UML menyediakan delapan diagram untuk proses perancangannya. Jadi pengertian UML yang penulis rangkum berdasarkan referensi yaitu bahasa standar dalam industri yang digunakan untuk menganalisa, mendokumentasikan dan merancang sistem perangkat lunak. Sebagaimana yang telah diungkapkan oleh Sholiq dalam bukunya di atas, bahwa untuk mendapatkan gambaran terhadap aplikasi yang akan dibangun, UML menyediakan beberapa diagram antara lain : Diagram Use Case (use case diagram), Diagram Kelas (class diagram), Diagram Aktivitas (activity diagram), Diagram


55

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 Sekuensial (sequence diagram), Diagram Kolaborasi (collaboration diagram), Diagram State chart (state chart diagram), Diagram Komponen (component diagram), Diagram Deployment (deployment diagram).

e.

Delivery method. Untuk produk software pengiriman dapat dilakukan secara online sedangkan untuk produk selain software pengiriman dapat dilakukan menggunakan layanan jasa pengiriman barang.

1.8. E-Commerce

f.

Customer service. Layanan konsumen dapat dilakukan melalui fitur contact us, email, formulir on-line, FAQ, telepon, chatting, dan lain-lain.

Menurut (Hidayat, 2008) e-Commerce merupakan bagian dari e-lifestyle dengan melakukan proses transaksi jual-beli secara online kapan pun dan dimana pun. Menurut (Laudon, 2007), kegiatan e-Commerce dapat diklasifikasikan berdasarkan sifat penggunanya, yaitu : a.

Business to Customer (B2C) yang melibatkan transaksi penjualan produk dan jasa secara eceran kepada pembeli perorangan.

b.

Business to Business (B2B) yang melibatkan transaksi penjualan produk dan jasa antar perusahaan.

c.

Customer to Customer (C2C) yang melibatkan transaksi penjualan produk dan jasa antara konsumen yang menjual produk dan jasa secara langsung ke konsumen.

2. PEMBAHASAN 2.1. Perancangan Sistem Penjelasan mengenai analisis website pemasaran ini dituangkan dalam pemodelan diagram UML yang terdiri dari Use Case Diagram, Activity Diagram, Class Diagram, Sequence Diagram dan Deployment Diagram.

Menurut (Hidayat, 2008), e-Commerce mempunyai beberapa komponen standar yang dapat membedakannya dengan transaksi bisnis yang dilakukan secara offline, yaitu : a.

Product. Jumlah dan jenis produk yang ditawarkan sama seperti produk yang ditawarkan secara offline.

b.

A place to sell. Domain dan hosting merupakan perangkat yang paling pokok untuk dapat menawarkan produk.

c.

How to order. Cara menerima pesanan memanfaat fasilitas internet seperti langsung melalui website, e-mail, menggunakan fasilitas sosial media juga memanfaatkan telpon, sms dan lain-lain.

d.

Payment method. Pembayaran dapat dilakukan dengan cara cash on delivery, credit card, transfer antar bank, internet payment (misalnya paypal), dan lain-lain.

dapat pesan atau dapat


Gambar 1. Use Case Diagram Website

56


Gambar 4. Sequence Diagram Website

Gambar 2. Activity Diagram Pemesanan Produk Gambar 5. Deploy Diagram Website

Gambar 3. Class Diagram Website

Untuk memenuhi kebutuhan UMKM Simpati Collection, maka dalam penelitian ini dibuat suatu website e-Commerce yang bertujuan untuk mempermudah Simpati Collection dalam melakukan pemasaran produk. Hal-hal yang dipermudah adalah pengelolaan produk, kegiatan transaksi jual beli dan profil Simpati Collection. Diharapkan sistem ini dapat memberikan informasi yang cepat dan tepat bagi pelanggan maupun calon pelanggan yang memerlukan informasi tentang Simpati Collection dan dapat mempermudah transaksi jual beli dengan system e-Commerce. Pembuatan dan pengembangan website ini dilakukan berdasarkan pada analisis yang telah dilakukan sebelumnya dengan tujuan pemanfaatan website ini mengenai sasaran yang menjadi kebutuhan bagi Simpati Collection. Berikut perancangan modul pada website eCommerce yang digambarkan dalam bentuk bagan terstruktur di bawah ini :


57


Sistem Informasi Pemasaran Produk

Pengelolaan Sistem Pemasaran

Login

Pengelolaan Tema/ Antarmuka

Pengelolaan Admin

Pengelolaan Postingan Produk

Gambar 6. Perancangan Modul Dan perancangan menu pada website ini digambarkan dalam sebuah site map sebagai berikut : Gambar 8. Login

Menu

Admin

2.2.2. Antar Muka Admin Login

Pengelolaan Postingan Produk

Pengelolaan Admin

Antar muka menu utama Admin memiliki konten berupa menu-menu untuk mengelola seluruh komponen website. Fungsi utama pada menu ini untuk mengatur konten website seperti pengelolaan Posts, pengelolaan media seperti image, video dan audio, pengelolaan link apabila diperlukan untuk terkoneksi pada sumber internet lain, pengelolaan page yang akan ditampilkan, moderasi user yang masuk, mengatur tema dan pengelolaan umum lainnya.

Pengelolaan Antarmuka/Tema

Add Postingan

Add Admin

Edit Postingan

Update Admi

Delete Postingan

Delete Admin

Logout

User

Home

Products Page

Gallery Photo

Peta Lokasi

Contact Us

About

Gambar 7. Perancangan Menu 2.2. Tampilan Antar Muka 2.2.1. Antar Muka Login Antarmuka login berfungsi untuk otentikasi Admin tersebut memastikan pengguna yang akan mengakses website memang seorang Admin. Gambar 9. Admin 2.2.3. Antar Muka Mobile Untuk mempermudah Admin dalam pengelolaan webiste, kini WordPress for Android telah tersedia pada Google Store dan bisa di-download secara gratis. Di WordPress for Android, Admin dapat mengelola segala kebutuhan yang berkaitan dengan website seperti membuat postingan dimana saja


58

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 admin berada, mengetahui secara langsung tingkat aktifitas website seperti komentar yang masuk dan follower yang baru bergabung melalui menu notification.

[2] [3] [4] [5] [6] [7] [8] [9] [10] [11]

J.A. O’Brien, Pengantar Sistem Informasi Perseptif Bisnis dan Manajerial, Jakarta: Salemba Empat, 2005. A. Kadir, Pengenalan Sistem Informasi, Yogyakarta: Andi Offest, 2003. J. Simarmata, Rekayasa Web, Yogyakarta: Andi Offest, 2010. W. Stanton, Prinsip Pemasaran, Jakarta: Erlangga, 2000. M. Mullenweg, WordPress, Retrieved from rezzaid.com, 10/02/2016, 12:16 WIB. A. Nugroho, Rekayasa Perangkat Lunak Menggunakan UML & Java, Yogyakarta: Andi Offset, 2009. Herlawati dan Widodo, Menggunakan UML, Bandung: Informatika, 2011. Sholiq, Pemodelan Sistem Informasi Berorientasi Objek dengan UML, Yogyakarta: Graha Ilmu, 2006. T. Hidayat, Panduan Membuat Toko Online dengan OSCommerce, Jakarta: Mediakita, 2008. K.C. Laudon, Sistem Informasi Manajemen Edisi 10 Buku 2, Jakarta: Salemba Empat, 2007.

Biodata Penulis Muhammad Benny Chaniago, S.T., M.Kom., memperoleh gelar Sarjana Teknik (S.T), Jurusan Teknik Informatika STMIK IM, lulus tahun 2011. Memperoleh gelar Magister Komputer (M.Kom) Program Pasca Sarjana Magister Sistem Informasi UNIKOM, lulus tahun 2013. Saat ini menjadi Dosen di Universitas Widyatama Bandung. Gambar 10. WordPress for Android

3. KESIMPULAN

Asep Nuryanto, S.Kom., memperoleh gelar Sarjana Komputer (S.Kom), Jurusan Sistem Informasi Universitas Widyatama Bandung, lulus tahun 2016.

Kesimpulan dari penelitian ini adalah sebagai berikut : a.

Dengan dibuatnya website berbasis web eCommerce ini, Simpati Collection memiliki sarana promosi dan penjualan produk yang dapat menjangkau pelanggan dan calon pelanggan secara lebih luas karena menggunakan media internet dan lebih profesional.

b.

Dengan website ini, Simpati Collection dapat berkomunikasi lebih efektif dan efisien dengan pelanggan dan calon pelanggan karena adanya pesan atau komentar yang masuk dari pelanggan dan calon pelanggan.

Daftar Pustaka [1]

Jogiyanto, Analisis dan Desain Yogyakata: Andi Offset, 2005.

Sistem

Informasi,


59


Interpretable STS Terjemahan Ayat Alquran dengan Menggunakan Chunking otomatis Maulisye Audina Ulfa Fakultas Informatika , Jurusan S1 Teknik Informatika Universitas Telkom Jalan Telekomunikasi no 1, Terusan buah batu, Bandung, Indonesia [email protected]

Abstrak

Abstract

Penelitian dibidang Linguistik memiliki daya tarik yang cukup besar saat ini, salah satunya adalah penelitian Interpretable STS (Semantic Textual Simillarity) yang merupakan penelitian untuk mengukur tingkat kesamaan makna antara dua buat teks dengan cara pemberian label keterhubungan dan skor kesamaan antar teks berdasarkan proses alignment. Tujuan Tugas Akhir ini yaitu membuat program untuk menghitung tingkat kesamaan makna antara pasangan ayat Alquran dalam terjemahan bahasa Inggris versi saheeh international dengan proses chunking yang otomatis. Untuk melakukan penelitian ini, dibuat sistem berupa unsupervised system.

Research in the field of Linguistics has an appeal that is large enough at the moment, one of which is the research interpretable STS (Semantic Textual Simillarity) which is a study to measure the level of similarity of meaning between the two create a text by labeling of connectedness and similarity score between the text based alignment process. The purpose of this final project is a program to calculate the degree of similarity of meaning between a couple verses of the Koran in English translation Saheeh international version with Chunking process is automated. To conduct this research, created the system in the form of unsupervised system.

Garis besar tahapan yang dilakukan dalam penelitian ini yaitu mengumpulkan data pasangan terjemahan ayat Alquran, selanjutnya data melalui proses chunking secara otomatis oleh sistem lalu masuk pada proses alignment. Selanjutnya diberikan label keterhubungan antar potongan ayat Alquran, dan tahap terakhir dilakukan perhitungan skor kesamaan antara potongan ayat Alquran. Adanya penelitian ini diharapkan dapat mengetahui secara optimal mengenai kesamaan makna pasangan potongan terjemahan Alquran melalui nilai kesamaan dan label keterhubungan yang dimiliki. Penelitian ini memiliki nilai akurasi tertinggi untuk sistem chunking sebesar 88% dan nilai F1 Ali (F1 untuk alignment ) yang tertinggi sebesar 92,9 %.

An outline of the steps being taken in this study is to collect data translation couple verses of the Koran, then the data through a process Chunking system automatically and entered in the alignment process. Furthermore, given the label connectivity between pieces of verses of the Koran, and the last stage of the calculation score similarities between pieces of verses of the Koran. Their research is expected to determine optimally on the similarity of meaning translations of the Qur'an through a couple pieces of similarity values and connectedness owned label. This study has an accuracy value for chunking system by 88% and the value of F1 Ali (F1 for alignment) which is the highest at 92.9% . Keywords : Semantic Textual Similarity, Interpretable STS, unsupervised system, Chunking, alignment, Koran.

Kata kunci : Semantic Textual Similarity, Interpretable STS, unsupervised system, Chunking, alignment, Alquran.


60

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 panduan pada CONLL 20003. Berikut cara menentukan potongan berdasarkan panduan CO-NLL 2000. 1.Membagi klausa dan bawahan klausa utama dalam menjadi potongan yang lebih kecil seperti NP, verb chain,PP, adverbs, dan expressions. 2.Mengambil PP’s secara keseluruhan pasangan Contoh chunking seperti berikut.

I. PENDAHULUAN Umat Islam memiliki kitab kepercayaan untuk panduan hidup mereka, kitab tersebut bernama Alquran. Alquran terdiri dari teks yang biasa disebut dengan ayat. Kitab Alquran terdiri dari ayat-ayat yang tersebar dalam 114 surat [1]. Alquran memiliki banyak ayat yang berulang dalam berbagai surat yang masih memiliki keterhubungan atau topik yang saling berkaitan. Hal ini menyebabkan kesulitan bagi orang awam untuk mencari ayat yang memiliki informasi yang saling berkait dalam Alquran. Oleh karena itu, dilakukan implementasi konsep Interpretable STS pada pasangan terjemahaan ayat Alquran baik itu ayat-ayat yang memiliki kesamaan baik dari segi tulisan maupun dari segi topik yang dibahas. Hal ini bertujuan untuk melakukan pengukuran kesamaan makna dengan cara menentukan label keterhubungan dan skor kesamaan berdasarkan proses alignment[3]. Penelitian ini berpedoman pada SemEval2016 Task21 dan metode yang digunakan pada penelitian kali ini adalah chunking otomatis, karena metode ini cocok digunakan pada permasalahan ISTS dan metode ini mendapatkan peringkat tertinggi dengan performansi tertinggi pada SemEval2016Task2.Oleh karena itu sistem akan dibagi menjadi dua yaitu sistem chunking

II. KAJIAN LITERATUR Interpretable Semantic Textual Similarity (ISTS) Interpretable Semantic Textual Similarity (ISTS) yaitu salah satu task yang terdapat di dalam SemEval2015 dan SemEval 2016. Interpretable STS merupakan salah satu metode STS untuk proses pengukuran kesamaan makna antara kalimat dengan menggunakan potongan-potongan (Chunk)2 dan pemberian label keterhubungan serta skor kesamaan berdasarkan alignment. Tahapan untuk proses Interpretable STS meliputi. a. b.

1 2

menginputkan data pasangan ayat. melakukan proses pemotongan atau chunking. Chunk dapat diartikan sebagai bagian dari konstituen atau gabungan dari berbagai kata. Karena chunk terdiri dari satu atau lebih dari satu kata. Untuk menentukan chunk pada SemEval 2016 dapat mengikuti http://at.qrci.org/semeval2016/task2 http://www.clips.ua.ac.be/conll2000/chunking/

 NP [The boy] / [Maulisye Audina and Muhammad]  verb chain [is chatting] / [does not like]  PP [at a time] / [with the computer] / [the house] [of that man] adverbs [of course]  expressions [once upon a time] / [by the way] c.

d. e.

melakukan proses alignment atau menyelaraskan antar chunk. Proses aligment pada penelitian ini yaitu menggunakan lemma kata yang sama dan menerapkan algoritma Hungarian untuk mengoptimalkan alignment. Proses pemberian label keterhubungan berdasarkan alignment. Proses menentukan skor kesamaan berdasarkan alignment.

Contoh penerapan berikut.

ISTS

pada Alquran sebagai

- Terdapat pasangan ayat seperti berikut. Ayat 1 : they say when promise will come if you are the righteous behold god is most merciful Ayat 2: And they say when comes the threat of it if you is the righteous - Proses chunking untuk pasangan ayat tersebut. Ayat 1: [they say when promise] [will come] [if you are the righteous] [behold god is most merciful] Ayat 2: [And they say] [when comes the threat of it] [if you is the righteous] - Proses alignment untuk pasangan ayat tersebut.

3

http://www.clips.ua.ac.be/conll2000/chunking/


61


 Gambar 1: Contoh proses alignment untuk pasangan ayat

- Proses pemberian label keterhubungan dan skor kesamaan berdasarkan alignment. Berikut merupakan hasil dari proses ISTS. (1 1 EQUI 5 ), (2  2 SPE2 4), (3  3 EQUI 5), (4  Ø NOALI) Dimana 1  1 menandakan chunk satu pada ayat satu dibandingkan dengan chunk satu pada ayat dua. Sedangkan EQUI, SPE2, NOALI merupakan tipe label keterhubungan dan angka yang di bold merupakan skor kesamaan.

Label Keterhubungan Label keterhubungan (alignment type) bertujuan untuk menentukan tipe dari alignment potongan kalimat, apakah potongan tersebut mengandung tipe yang seperti apa. Berikut label yang digunakan untuk kesamaan antar potongan.  EQUI : kedua potongan memiliki arti yang sama, dan memiliki nilai semantik yang setara. Contohnya : Hospital dengan At Hospital.  OPPO : arti kedua potongan saling bertentangan satu sama lain. Contohnya : in southern indonesia dengan in northern indonesia.  SPE1 : antar potongan memiliki arti yang sama, tetapi potongan di kalimat 1 lebih spesifik daripada potongan di kalimat lain. Contohnya : by a shop dengan outside a bookstore.  SPE2 : seperti SPE1, tetapi yang berbeda adalah potongan dalam kalimat 2 yang lebih spesifik. Contohnya holy book dengan Koran.  SIMI : antar potongan hanya memiliki arti yang sama, namun tidak EQUI, OPPO, hubungan SPE1 ataupun SPE2. Contohnya Palestina dengan Indonesia.  REL : antar potongan tidak dianggap sama , namun saling terkait erat dengan

beberapa hubungan ( tidak ada hubungan EQUI, OPPO, SPE1, SPE2, atau SIMI). NOALI : potongan ini tidak memiliki potongan yang sesuai dalam kalimat lainnya [3].

Skor Kesamaan Untuk menentukan skor kesamaan dan keterkaitan pada penelitian ini harus dilakukan sebelum memberikan label pada pasangan ayat. Nilai kesamaan diberikan untuk setiap alignment. Menurut sumber dari detail task description SemEval2016, untuk menentukan nilai kesamaaan, yang dilakukan terlebih dahulu adalah mengidentifikasi setiap potongan ayat. Kemudian tentukan parameter untuk perhitungan keselarasaan. Kategori nilai skor kesamaan dan keterkaitan antar potongan yaitu sebagai berikut. Skor kesamaan memiliki range dari 5 sampai 0, dimana angka lima merupakan skor maksimal sedangkan nol merupakan skor minimal.  [5] jika makna dari kedua potongan ayat itu sama atau selaras. Contohnya : [unbelievers] [an unbelievers]  [4,3] jika makna dari kedua potongan ayat itu sangat mirip atau terikat. Contohnya : [will doom ] [ will torment]  [2,1] jika makna dari kedua potongan ayat itu sedikit mirip atau sedikit terkait. Contohnya : [on the house] [ on horse]  0 yang direpresentasikan NIL makna dari kedua potongan ayat itu sama sekali tidak mirip atau sama sekali tidak berhubungan. Dataset Untuk Data yang digunakan pada penelitian ini yaitu 400 pasang ayat terjemahan Alquran, dimana 200 pasang ayat didapatkan dari data Qursim hasil penelitian keterkaitan corpus Alquran berdasarkan tafsir Ibn katsir oleh Abdul-Baquee M. Sharaf dan Eric S [13]. Atwell yang dimuat dalam situs web textminingthequran.com dan 200 pasang ayat lainnya diambil dari data indeks tematik pada Alquran terjemahan Kementrian Agama RI dan situs web Pusat Kajian Hadist Al-Mughni alquranalhadi.com.


62

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 Qursim Salah satu penelitian dalam bidang quran mining adalah Qursim. Qursim yaitu suatu corpus untuk melakukan evaluasi kesamaan dan keterkaitan teks pendek pada Alquran. Adapun data yang digunakan pada penelitian ini adalah data ayat Alquran hasil eksplorasi dari tafsir Ibn Katsir. Tafsir Ibn Katsir merupakan salah satu buku tafsir yang sangat popular dan banyak dijadikan referensi tafsir Alquran. Untuk mendapatkan data pasangan ayat dilakukan dengan cara melakukan ekstraksi pada ayat secara otomatis. Selanjutnya dilakukan pengecekan secara manual untuk menghilangkan sebagian data yang tidak konsisten sehingga proses ini menghasilkan 7.679 pasangan ayat Alqur-an. Kemudian dilakukan pengecekan kembali karena dalam tafsir Ibn Katsir pembahasan suatu ayat mengarahkan pada pembahasan yang sangat luas. Setelah dilakukan pengecekan kembali secara manual dihasilkan 6.796 pasangan ayat yang terbagi dengan tiga level berbeda yaitu level 0, level 1, level2 [13]. a. level 0 Pasangan ayat memiliki keterhubungan yang sangat rendah dan sulit un-tuk dipahami,sehingga untuk memahami keterhubungannya diharuskan melihat dari konteks dalam buku tafsir tersebut. Berikut contoh data level 0 seperti berikut. Ayat satu : They request from you a [legal] ruling. Say, "Allah gives you a ruling concerning one having neither descendants nor ascendants [as heirs]." If a man dies, leaving no child but [only] a sister, she will have half of what he left. And he inherits from her if she [dies and] has no child. But if there are two sisters [or more], they will have two-thirds of what he left. If there are both brothers and sisters, the male will have the share of two females. Allah makes clear to you [His law], lest you go astray. And Allah is Knowing of all things (Q.S.An-Nisa :176) Ayat dua : And do not invoke with Allah another deity. There is no deity except Him. Everything will be destroyed except His Face. His is the judgement, and to Him you will be returned (Q.S.Al-Qasas :88). b. Level 1 Pasangan ayat ini memiliki keterkaitan rendah namun dapat di-pahami oleh manusia, tapi masih mungkin sulit untuk digunakan sebagai data training pada algoritma pembelajaran mesin. Berikut contoh data level 1.

Ayat satu : In the name of Allah, the Entirely Merciful, the Especially Merciful.(Q.S.Al-Baqarah :1) Ayat dua : So exalt the name of your Lord, the Most Great (Q.S.Al-Waqiah:74). c. Level 2 Pasangan ayat ini memiliki keterkaitan yang tinggi dan sangat mudah dipahami oleh pembaca. Data ini cocok untuk digunakan sebagai data training pada algoritma pembelajaran mesin. Berikut contoh data level 2. Ayat satu : This is the Book about which there is no doubt, a guidance for those conscious of Allah (Q.S.Al-Baqarah :7) Ayat dua :O mankind, there has to come to you instruction from your Lord and healing for what is in the chest and guidance and mercy for the believers (Q.S.Yunus:57). Untuk penelitian ini data Qursim yang digunakan yaitu data Qursim level 2.

Evaluasi Evaluasi adalah metode yang digunakan untuk mengetahui seberapa baik sistem yang telah dibuat. Pada penelitian ini untuk evaluasi dibedakan menjadi dua yaitu evaluasi chunk dan matriks evaluasi. Evaluasi Chunk: Pada sistem chunking otomatis yang telah dibangun, cara mengukur ketepatan proses chunking dengan menghitung akurasi sistem. Perhitungan akurasi yang dilakukan berdasarkan dari akurasi chunk level. Berikut merupakan rumus untuk menghitung akurasi chunk level.

Keterangan : X = Jumlah chunk sistem yang sesuai dengan gold standard N= Jumlah keseluruhan chunk Matriks Evaluasi : metode evaluasi yang di terapkan dalam SemEval2016 Task 2. Untuk matriks evaluasi dilakukan perhitungan F1 atau F measure yang digunakan untuk mengukur performansi dengan cara membandingkan hasil dari sistem dengan manual yang dibuat dari ahli. Untuk perhitungan F1 terlebih dahulu dilakukan perhitungan presisi dan recall.


63

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 Untuk penelitian ini digunakan matriks evaluasi yang sesuai dengan SemEval2016 Task 2. Pengukuran F1 dalam penelitian ini di bedakan menjadi dua yaitu pengukuran F1 untuk sistem dan pengukuran F1 untuk gold Chunk (dataset yang sudah di potong). Adapun persamaan yang digunakan untuk perhitungan presisi, recall dan juga F1 yaitu sebagai berikut.

Keterangan untuk persamaan diatas yaitu sebagai berikut.  True Positive (TP) : Nilai yang akan didapat ketika hasil prediksi true(bernilai 1) dan nilai sebenarnya true(bernilai 1).  False Positive (FP) : Nilai yang akan didapat ketika hasil prediksi true(bernilai 1) dan nilai sebenarnya false(bernilai 0).  False Negative (FN) : Nilai yang akan didapat ketika hasil prediksi false(bernilai 0) dan nilai sebenarnya true(bernilai 1).

Pada dasarnya sistem Interpretable STS yang dibangun membutuhkan data inputan berupa pasangan ayat yang terdiri dari data Qursim dan data Indeks Tematik, selanjutnya data ini dibandingkan dan dicari nilai kesamaan dan label keterhubungan berdasarkan alignment antara kedua potong ayat terjemahan tersebut. Selanjutnya sistem yang dibangun mengeluarkan outputan berupa nilai kesamaan dan jenis label yang dimiliki oleh kedua potongan ayat terjemahan Alquran dalam terjemahan bahasa Inggris berdasarkan alignment. Kemudian sistem menampilkan jenis label yang ada berdasarkan aturan label yang telah ditentukan dalam penelitian ini. Setelah itu, sistem akan mengevaluasi perhitungan nilai kesamaan yang dikelola oleh sistem, dan di bandingkan dengan nilai gold standard yang merupakan penilaian secara manual dari perhitungan expert judgement. Sistem yang dibangun dibagi menjadi dua yaitu sistem untuk chunking dan sistem untuk Interpretable STS. Berikut alur proses sistem untuk proses chunking. Start

Data Pasangan Ayat

Data Qursim Data Indeks Temantik

Preprocessing

Ada empat pengukuran yang dilakukan dalam evaluasi yaitu sebagai berikut. - F1 Ali: dimana perhitungan tidak melibatkan label keterhubungan dan skor, dengan kata lain label keterhubungan dan skor diabaikan. - F1 Type: dimana perhitungan hnaya melibatkan label keterhubungan dan skor diabaikan. - F1 Score : dimana perhitungan hanya melibatkan skor dan label keterhubungan diabaikan. - F1 Type+Score : di mana pengukuran dilakukan berdasarkan kecocokan antara label keterhubungan dan juga skor.

Chunking

Data chunking pasangan ayat

Evaluasi

Gold standard

End

III.

ANALISIS DAN PERANCANGAN

Gambaran Umum Sistem

Gambar 2 Alur proses chunking


64

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 Penjelasan mengenai tahapan dan proses pada Gambar 2 adalah sebagai berikut. 1.

Sistem membaca masukan yang berupa data pasangan ayat Alquran terjemahan yang terdiri dari data Qursim dan data indeks tematik. Sistem melakukan preprocessing data seperti melakukan menghilangkan simbol dan tanda baca yang tidak diperlukan oleh data input pasangan ayat Alquran terjemahan bahasa Inggris. Sistem melakukan pemotongan atau chunking terhadap data input pasangan ayat Alquran terjemahan bahasa Inggris. Hasil dari proses chunking akan dilakukan evaluasi dengan gold standard.

2.

3.

4.

Sedangkan alur proses untuk Interpretable STS sebagai berikut.

2. 3. 4. 5.

6.

Data tersebut akan dilakukan proses alignment. Sistem memberikan label keterhubungan Sistem memberikan skor kesamaan Sistem akan melakukan evaluasi dengan membandingkan hasil dari sistem dengan gold standard Sistem mengeluarkan hasil evaluasi sistem yang berupa skor F1

Setelah dilakukan proses pengujian sistem maka diperoleh hasil sebagai berikut. Hasil pengujian ketepatan chunk Pengujian dilakukan dengan cara membandingkan nilai akurasi chunk level pada setiap data uji yang terdiri dari data tematik, data Qursim dan data gabungan antara data tematik dan data Qursim.

Start

Data chunking Pasangan Ayat

Alignment

Gambar 4 Grafik akurasi chunk level Pemberian Label Keterhubungan Perhitungan kesamaan semantik

Data Hasil pelabelan dan pengukuran

Evaluasi

Gold Standard

Perbandingan nilai akurasi dapat dilihat dari Gambar 4, dapat diketahui bahwa nilai akurasi antara ketiga data. Data yang memiliki akurasi chunk level tertinggi adalah data gabungan dari data Qursim dan data indeks tematik. Akurasi untuk data gabungan sebesar 0,88 atau 88%.

Hasil Evaluasi

End

Gambar 3 Alur proses ISTS

Adapun penjelasan untuk Gambar 3 yaitu sebagai berikut. 1.

Sistem membaca inputan data yang berupa data chunking pasangan ayat Alquran


65

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 Hasil pengukuran F1

KESIMPULAN Berdasarkan hasil pengujian dan analisis yang telah dilakukan pada penelitian ini, dapat disimpulkan bahwa : 1. Untuk menentukan kesamaan makna antar potongan terjemahan ayat Alquran ada tahapan proses yang dilakukan yaitu preprocessing data, chunkinng, alignment, pemberian label keterhubungan, pemberian skor kesamaan. 2. Untuk perbandingan Akurasi untuk proses chunking berdasarkan chunk level dapat diketahui bahwa akurasi paling tinggi adalah nilai akurasi untuk data gabungan antara data Qursim dan data indeks tematik. 3. Untuk perbandingan F1 antara F1 ali, F1 Type, F1 Score, F1 Type +Score dapat diketahui bahwa F1 ali memiliki nilai paling tinggi diantara F1 lainnya pada semua data uji yang dicoba. Hal ini dikarenakan proses alignment merupakan faktor penentu tinggi rendahnya nilai kesamaan makna.

REFERENSI [7]. Muhammad Sya'ban Al-Ha zh Abdul Aziz Ahmad, M.Si. Robbani Al-Quran per Kata, Tajwid Warna. Gambar 5 Grafik pengukuran F1

Berdasarkan gambar grafik diatas untuk masingmasing pengukuran F1 baik itu F1 Ali, F1 Type, F1 score, F1 Type+score. Data yang memiliki nilai F1 tertinggi adalah data Indeks Tematik sebesar 0,9299 untuk F1 Ali, 0,598 untuk F1 Type, 0,8241 untuk F1 score, 0,5977 untuk F1 Type+score. Hal ini dikarenakan untuk data Indeks Tematik memiliki karakteristik data yang lebih identik karena indeks tematik merupakan data yang berdasarkan kesamaan topik yang dimiliki. Pada grafik juga dapat diketahui bahwa untuk F1 antara F1 Ali, F1 Type, F1 score, F1 Type+score yang memiliki nilai tertinggi adalah F1 Ali.

[8]. Abney, S. (1991). Parsing by Chunk s. In: Robert Berwick, Steven Abney and Carol Tenny (eds.), Principle-Based Parsing. Kluwer Academic Publishers, Dordrecht. [9]. Banjade Rajendra, dkk (2015). A System for Measuring and Interpreting Semantic Textual Similarity .In Proceedings of the 9th International Workshop on Semantic Evaluation. [10]. Eneko Agirre, Mona Diab, Daniel Cer, and Aitor Gonzalez-Agirre. 2012. Semeval-2012 task 6: A pilot on semantic textual similarity. In Proceedings of the First Joint Conference on Lexical and Computational Semantics-Volume 1: Proceedings of the main conference and the shared task, and Volume 2: Proceedings of the Sixth International Workshop on Semantic Evaluation, pages 385–393. Association for Computational Linguistics.


66

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 [11]. Eneko Agirre, Daniel Cer, Mona Diab, Aitor Gonzalez-Agirre, andWeiwei Guo. 2013. sem 2013 shared task:Semantic textual similarity, includin g a pilot on typedsimilarity.In In* SEM 2013: The Second Joint Conferenceon Lexical and Computational Semantics. Association for Computational Linguistics. Citeseer. [12]. Eneko Agirre, Carmen Banea, Claire Cardie, Daniel Cer, Mona Diab, Aitor GonzalezAgirre,Weiwei Guo,Iigo Lopez-Gazpio, Montse Maritxalar, Rada Mihalcea,German Rigau, Larraitz Uria, and Janyce Wiebe.2015. SemEval2015 Task 2: Semantic Textual Similarity,English, Spanish and Pilot on Interpretability. In Proceedings of the 9th International Workshop on Semantic Evaluation (SemEval 2015), Denver, CO, June. Association for Computational Linguistics.

[19]. Sharaf, M., and Eric S. Atwell. 2012. “Qursim: A Corpus for Evaluation of Relatedness in Short Texts.” 8th International Conference on Language Resources and Evaluation (LREC’12), no. January 2012: 2295– 2302. doi:10.13140/2.1.4007.0088. [20]. Susanto, Alvin. 2008. “Penggunaan Algoritma Hungarian Dalam Menyelesaikan Persoalan Matriks Berbobot,” no. 10.

[13]. Claudia Leacock and Martin Chodorow. 1998. Combininglocal context and wordnet similarity for word sense identification. WordNet: An electronic lexical database, 49(2):265–283. [14]. Fellbaum, Christiane (2005). WordNet and wordnets. In: Brown, Keith et al. (eds.), Encyclopedia of Language and Linguistics, Second Edition, Oxford: Elsevier, 665-670 [15]. Christiane Fellbaum. 1998. WordNet. Wiley Online Library. [16]. Dan Melamed. (1998) Manual annotation of translational equivalence: The blinker project. Technical Report 98-07, Institute for Research in Cognitive Science, Philadelphia [17]. Banjade, Rajendra, Nabin Maharjan, Nobal B Niraula, and Vasile Rus. 2016. “DTSim at SemEval-2016 Task 2 : Interpreting Similarity of Texts Based on Automated Chunking , Chunk Alignment and Semantic Relation Prediction,” 809–13. [18]. Banjade, Rajendra, Nobal B Niraula, Nabin Maharjan, Vasile Rus, Dan Stefanescu, Mihai Lintean, and Dipesh Gautam. 2015. “NeRoSim: A System for Measuring and Interpreting Semantic Textual Similarity.” SemEval2015, no. SemEval: 164–71.


67


APLIKASI PERHITUNGAN REKAPITULASI DATA ANGGARAN PENGOLAHAN LAHAN DAN AIR PADA DINAS PERTANIAN DAN PERKEBUNAN PROVINSI NTT Emerensiana Ngaga, Frengky Tedy Program Studi Teknik Informatika, Fakultas Teknik Universitas Katolik Widya Mandira Kupang Jalan A. Yani No. 50-52 Kupang, NTT [email protected], [email protected]

Abstrak Di dalam Dinas Pertanian dan Perkebunan terdapat bidang Sarana dan Prasarana khususnya seksi Pengolahan Lahan dan Air yang mengurusi pengolahan lahan, air dan perluasan areal. Seksi ini bertugas menerima dan mengolah data yang masuk dari berbagai kabupaten di NTT, menghitung data anggaran serta merekap data anggaran yang telah disusun. Sistem perhitungan rekapitulasi data pengolahan lahan, air dan perluasan areal yang masuk dari kabupaten – kabupaten yang selama ini dilakukan belum optimal untuk mengelola perhitungan data anggaran kegiatan karena hanya mengolahnya dalam Microsoft Excel. Proses kerja yang demikian kurang efisien karena bila data yang diolah cukup banyak maka dapat mengakibatkan terjadinya salah perhitungan rekapitulasi data serta lambat karena harus menghitung data satu – persatu dari seluruh kabupaten. Penelitian ini membuat sebuah aplikasi perhitungan data rekapitulasi anggaran pengolahan lahan dan air dengan menggunakan metode pengembangan sistem Unified Process. Aplikasi dibangun menggunakan bahasa pemograman Java dengan databasenya MySQL. Hasil dari penelitian ini adalah sebuah aplikasi yang membantu kerja dari pegawai dalam merekapitulasi data – data dalam perhitungannya dan menghasilkan laporan anggaran per kabupaten, laporan anggaran per kecamatan, laporan anggran per desa serta laporan anggaran per kelompok tani sehingga mengurangi tingkat kesalahan serta mempercepat proses pelaporan rekapitulasi data anggaran pengolahan lahan dan air. Kata kunci :

Rekapitulasi data, Perhitungan, Pengolahan Lahan dan Air, Unified Process.

Abstract In the Department of Agriculture and Plantation there are section Facility and Infrastructure particularly the processing of Land and Water in charge of land management, water and expansion. This section is in charge of receiving and processing incoming data from various districts in NTT, calculating the budget data and recapitulate of budget data that has been compiled. System data summary calculation processing of land, water and the expansion incoming of districts that has been done has not been optimized to manage data calculation process activity budget because only in Microsoft Excel. Thus working process is less efficient because when data is processed quite a lot of it can lead to a miscalculation of data summary and late because they have to calculate the data one by one of the whole district. This study makes an application of calculation the data recapitulation of budget processing of land and water using Unified Process system development. Applications built using the Java programming language with MySQL database. The result of this research is an application that helps the work of the employees in recapitulating the data in the calculation and generate the budget report on each district, the budget report on each sub-district, reports on each village and budget reports on each farmer groups so as to reduce the error rate and speed up the recapitulation reporting process of land and water management budgets. Keywords :


68

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 Data recapitulation, calculations, Land and Water Processing, Unified Process.

I. PENDAHULUAN Dampak pemanfaatan kemampuan teknologi kini dapat dirasakan di berbagai lapisan masyarakat yaitu dalam bidang pendidikan, kesehatan, kemiliteran, pemerintahan, perusahaan, perindustrian dan lainnya. Seiring perkembangan dunia teknologi informasi dari waktu ke waktu mendorong setiap individu ataupun institusi untuk menerapkannya dalam segala aktivitasnya sehari-hari, sehingga segala permasalahan yang ada dapat dengan cepat diselesaikan mulai dari sekedar menulis sampai melakukan perhitungan. Namun fenomena yang terjadi masih terdapat banyak instansi yang pekerjaannya masih belum memanfaatkan teknologi informasi, hal ini mengakibatkan pekerjaan terasa lambat dan hasilnya kurang maksimal. Dinas Pertanian dan Perkebunan Provinsi Nusa Tenggara Timur (NTT) adalah dinas yang mengurus hal – hal yang berkaitan dengan pertanian dan perkebunan yang ada di kabupaten – kabupaten yang terdapat di provinsi NTT. Bidang Sarana dan Prasarana khususnya Seksi Pengolahan Lahan dan Air (PLA) merupakan salah satu seksi kerja pada Dinas Pertanian dan Perkebunan Provinsi NTT yang bekerja untuk mendata kegiatan pengolahan lahan dan air dari setiap kabupaten yang ada di provinsi NTT, menghitung data anggaran, merekap data anggaran kegiatan yang telah disusun serta menyerahkan data hasil rekapan yang telah dihitung kepada pimpinan untuk ditindaklanjuti. Proses pengolahan data yang selama ini dilakukan belum menggunakan fasilitas komputer secara optimal karena hanya menggunakan Microsoft Excel untuk mengelola perhitungan data anggaran d2kegiatan PLA. Hal ini mengakibatkan beberapa permasalahan seperti dalam hal ketepatan waktu, sering terjadi penundaan waktu yang cukup lama antara ketersediaan informasi dengan kebutuhan akan informasi. Dalam hal efisiensi, sering penyajian informasi belum terpenuhi secara maksimal karena kurangnya tenaga administrasi yang bertugas mengumpulkan, mengolah dan menghitung rekapitulasi data sehingga tentu saja ini juga membutuhkan waktu yang tidak sedikit. Dalam hal akurasi / ketepatan, sistem yang ada tidak menjamin pemenuhan akurasi informasi secara memuaskan. Masalah akurasi bergantung sepenuh pada orang yang mengolahnya sehingga dengan demikian sangat

besar kemungkinan terjadinya kesalahan baik yang disengaja maupun yang tidak disengaja. Jika semua dikelola oleh semua staf yang ada maka terjadi pemborosan tenaga dan dapat mengurangi pelayanan Seksi PLA kepada petani yang membutuhkan penyuluhan pengolahan lahan dan air. Selain itu terjadi kesulitan dalam pencarian data pada dokumen yang telah diarsipkan. Menyadari perlunya untuk meningkatkan kinerja pelayanan dinas ini maka perlu dioptimalkan pula penggunaan sumber daya yang ada melalui automatisasi sistem aplikasi perhitungan data sehingga dapat membantu meningkatkan kinerja dan mempermudah sistem kerja dari Bidang Sarana dan Prasarana khusunya pada seksi PLA .

II. KAJIAN LITERATUR Sistem informasi akan lebih efektif dan efisien dengan komputerisasi yang tepat. Semua pekerjaan dapat dilakukan dengan cepat dan mudah, terlebih untuk proses perhitungan anggaran. Beberapa penelitian terkait aplikasi perhitungan telah banyak dilakukan sebelumnya. Penelitian [1] menghasilkan aplikasi perhitungan estimasi biaya pembangunan rumah tinggal berbasis android untuk memudahkan calon pemilik rumah dalam menghitung estimasi biaya bangunan tempat tinggal dengan 3 model perhitungan yaitu model hitung otomasis, hitung denah dan hitung detail yang konsisten. Penelitian [2] membuat suatu aplikasi perhitungan pajak hotel berbasis web yang dapat menghasilkan jumlah pajak hotel, tanggal jatuh tempo, denda dan kelebihan secara online. Penelitian [3] membuat aplikasi perhitungan pendapatan dan perhitungan pajak restoran Kereta Api berbasis web yang dapat menghitung pendapatan, menghitung pajak restoran, jurnal, buku besar, laporan pedapatan dan laporan pajak terutang dari restoran. Penelitian [4] membangun aplikasi perhitungan biaya tenaga kerja langsung berbasis web untuk memudahkan dalam pembuatan kartu upah, perhitungan kasbon, penghitungan upah tenaga kerja, pembuatan laporan tenaga kerja, jurnal serta buku besar. Penelitian saat ini juga membangun sebuah aplikasi yang membantu perhitungan rekapitulasi data anggaran pengolahan lahan dan air sehingga membantu pegawai Dinas Pertanian dan Perkebunan Provinsi NTT dalam penghitungan rekapan anggaran


69

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 PLA dari setiap kabupaten sehingga mengurangi kesalahan perhitungan mempercepat waktu pelaporan.

dapat serta

moneter dan berlaku untuk jangka waktu (periode) tertentu yang akan datang [8].

III. ANALISIS DAN PERANCANGAN Sistem Informasi Sistem informasi merupakan sistem yang mempuyai kemampuan untuk mengumpulkan informasi dari semua sumber dan menggunakan berbagai media untuk menampilkan informasi. Sistem informasi adalah suatu sistem manusia / mesin yang terpadu untuk menyajikan informasi guna mendukung fungsi operasi, manajemen dan pengambilan keputusan dalam organisasi. Sistem informasi adalah (kesatuan) formal yang terdiri dari berbagai sumber daya fisik maupun logika. Dari organisasi ke organisasi, sumber daya ini disusun atau distrukturkan dengan beberapa cara yang berlainan, karena organisasi dan sistem informasi merupakan sumber daya yang bersifat dinamis [5].

Sistem Informasi Manajemen Sistem informasi manajemen merupakan suatu sistem yang biasanya diterapkan dalam suatu organisasi untuk mendukung pengambilan keputusan dan informasi yang dihasilkan dibutuhkan oleh semua tingkatan manajemen atau dengan kata lain teknik pengelolaan informasi dalam suatu organisasi. Sistem informasi manajemen memberikan dukungan dalam penggunaan informasi atau perancangan rangkaian alternatif tindakan, memutuskan untuk memilih tindakan yang terbaik dari alternatif yang tersedia dan melaksanakan pilihan dan mengawasi hasil kegiatan [6].

Pengertian Rekapitulasi Rekapitulasi merupakan ringkasan isi atau ikhtisar pada akhir laporan atau akhir hitungan. Rekapitulasi juga berarti pembuatan rincian data yang bercampur aduk menurut kelompok utama [7].

Pengertian Anggaran Anggaran merupakan suatu rencana yang disusun secara sistematis, meliputi seluruh kegiatan perusahaan, dinyatakan dalam unit (kesatuan)

Analisis Sistem Seksi PLA adalah unit pelaksana pembantu pimpinan yang bertugas memberikan layanan tentang pengolahan lahan dan air kepada petani. PLA adalah salah satu bagian penting yang bisa diibaratkan sebagai jantung dari Dinas Pertanian dan Perkebunan NTT dimana hampir seluruh kegiatan Dinas Pertanian dan Perkebunan NTT dikendalikan dari sini. Salah satu kegiatan yang menjadi sentral dan fokus dari unit ini adalah pengolahan lahan dan air yang dimiliki oleh para petani. Dalam konteks ini, tugas-tugas yang diemban oleh PLA antara lain : 1. Menerima dan mengolah data yang masuk dari berbagai kabupaten di NTT. 2. Menghitung data anggaran. 3. Merekap data anggaran yang telah disusun. 4. Menyerahkan data hasil rekapan yang telah dihitung kepada pimpinan untuk ditindaklanjuti. Cara kerja yang selama ini dipakai oleh PLA untuk pengolahan data untuk menghasilkan informasi belum sepenuhnya menggunakan fasilitas komputer secara optimal sebagai alat kerjanya sehingga tidak jarang menghadapi beberapa permasalahan antara lain : 1. Dalam hal ketepatan waktu, sering terjadi penundaan waktu yang cukup lama antara ketersediaan informasi dengan kebutuhan akan informasi. 2. Dalam hal efisiensi, sering penyajian informasi belum terpenuhi secara maksimal karena kurangnya tenaga administrasi yang bertugas mengumpulkan, mengolah dan menghitung rekapitulasi data sehingga tentu saja ini juga membutuhkan waktu yang tidak sedikit. 3. Dalam hal akurasi / ketepatan, sistem yang ada tidak menjamin pemenuhan akurasi informasi secara memuaskan. Masalah akurasi bergantung sepenuh pada orang yang mengolahnya sehingga dengan demikian sangat besar kemungkinan terjadinya


70

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 kesalahan baik yang disengaja maupun yang tidak disengaja. Hal – hal tersebut di atas merupakan masalah yang harus diatasi agar kinerja Dinas Pertanian dan Perkebunan NTT secara menyeluruh dapat ditingkatkan khususnya dalam perhitungan rekapitulasi data.

Nama_Kabupaten

Kode_Kabupaten

Volume

Kode_Kelompok_Tani

Kegiatan Alokasi_Dana Kabupaten Tahun_Anggaran

Jumlah_dana 1

Perancangan Sistem

Dana_terpakai

1

Sisa_dana

a. Use Case

Memiliki

Use Case Diagram menggambarkan fungsionalitas yang diharapkan dari sebuah sistem. Sebuah use case merepresentasikan sebuah interaksi antara aktor dengan sistem. Seorang/sebuah aktor adalah sebuah entitas manusia atau mesin yang berinteraksi dengan sistem untuk melakukan pekerjaan-pekerjaan tertentu.

Memiliki 1 Nama_Desa

Kode_Desa Kode_Kecamatan

Nama_Kecamatan

Nama_Kelompok_Tani

N

Kecamatan Pengolahan data kabupaten

Pengolahan data kecamatan

Kode_Kelompok_Tani

1

Memiliki

N

Desa

1

Memiliki

N Kelompok_Tani

Gambar 2. Entity Relationship Diagram

Pengolahan data desa

Operator

Pengolahan data kelompok_tani

Pengolahan data alokasi_dana

Mencetak Laporan

IV. IMPLEMENTASI SISTEM Implementasi Basis Data Basis data yang digunakan dalam sistem ini adalah MySQL untuk menampung semua data yang diperlukan yang dibuat dalam beberapa tabel sebagai berikut :

Gambar 1. Use Case Diagram Kegiatan Rekapitulasi Data

Use case diagram di atas menjelaskan fungsi dari operator. Operator mempunyai tugas mengidentifikasi data, mengelola data mulai dari menambah, menyimpan, mengedit. menghitung, dan merekap serta mencetak laporan kepada pimpinan. b.

1). Tabel Kabupaten

Entity Relationship Diagram


71

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 Gambar 3. Struktur Tabel Kabupaten

2). Tabel Kecamatan

Gambar 4. Struktur Tabel Kecamatan Gambar 7. Struktur Tabel Alokasi Dana

3). Tabel Desa

Antar Muka Sistem 1). Tampilan Menu Utama Tampilan form Menu pada saat membuka sistem. Terdapat menu File, menu Rekap Data, menu Laporan dan Exit unjtuk keluar dari aplikasi.

Gambar 5. Struktur Tabel Desa

4). Tabel Kelompok Tani

Gambar 6. Struktur Tabel Kelompok Tani

5). Tabel Alokasi Dana Gambar 8. Tampilan Menu Utama Sistem

2). Tampilan Form Kabupaten Jurnal Nasional JMII 2017

72

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 Form ini dibuat untuk menginput data–data kabupaten yang ada di provinsi NTT.

Gambar 9. Tampilan Form Input Data Kabupaten

3). Tampilan Form Kecamatan

Form ini dibuat untuk menginput data–data desa yang ada di tiap kecamatan.

Gambar 11. Tampilan Form Input Data Desa

5). Tampilan Form Kelompok Tani

Form ini dibuat untuk menginput data–data kecamatan yang ada di tiap kabupaten.

Form ini dibuat untuk menginput data–data kelompok tani yang ada di tiap desa.

Gambar 10. Tampilan Form Input Data Kecamatan

4). Tampilan Form Desa

Gambar 12. Tampilan Form Input Data Kelompok Tani

6). Tampilan Form Alokasi Dana Jurnal Nasional JMII 2017

73

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 Form ini dibuat untuk menginput data–data alokasi dana untuk setiap kelompok tani sehingga secara otomatis aplikasi akan menghitung sisa anggaran.

Gambar 15. Tampilan Laporan Anggaran Per Kecamatan

Gambar 13. Tampilan Form Input Data Alokasi Dana

9). Tampilan Laporan Anggaran Per Desa

7). Tampilan Laporan Anggaran Per Kabupaten

Gambar 14. Tampilan Laporan Anggaran Per Kabupaten

8). Tampilan Laporan Anggaran Per Kecamatan

Gambar 16. Tampilan Laporan Anggaran Per Desa

10). Tampilan Laporan Anggaran Per Kelompok Tani


74

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 Perhitungan Estimasi Biaya Pembangunan Rumah Tinggal Berbasis Android”, Jurnal Teknologi Informasi dan Komunikasi, Vol. 6, No. 2, ISSN : 2087-0868, September 2015. [2]

Nanda, Alfitrya, Samaji, Iji, Setiawan, C., R., K., “Aplikasi Perhitungan Pajak Hotel Berbasis Web,” e-Proceeding of Applied Science, Vol. 1, No. 3, ISSN : 2442-5826, Desember 2015.

[3]

Ivananda, Fajri, Samaji, Iji, Yanuar, Yudhi “Aplikasi Perhitungan Pendapatan dan Perhitungan Pajak Restoran Kereta Api Berbasis Web,” e-Proceeding of Applied Science, Vol. 1, No. 3, ISSN : 2442-5826, Desember 2015.

[4]

Simamora, Rina, Samaji, Iji, Sinaga, Ardiles “Pembangunan Aplikasi Perhitungan Biaya Tenaga Kerja Langsung Berbasis Web,” eProceeding of Applied Science, Vol. 1, No. 3, ISSN : 2442-5826, Desember 2015.

[5]

Husda, Elfi, Nur, Informasi, Cetakan Boduose, 2012.

[6]

Sutrabi, Tata, Sistem Informasi Manajemen (Edisi Revisi), Yogyakarta : Andi Offset, 2016.

[7]

Kamus Besar Bahasa Indonesia. Kamus Besar Bahasa Indonesia Website. [Online]. http://www.kbbi.web.id/rekapitulasi

[8]

Mulyadi, Sistem Akuntansi, Edisi Keempat, Jakarta : Salemba Empat, 2016.

[9]

Pressman, R., S., Software Engineering, Sevent Edition, Mc Graw-Hill International Edition, 2010.

[10]

Al Fatta, Hanif, Analisis dan Desain Sistem Informasi, Yogyakarta : Andi, 2007.

[11]

Huda, Miftakhul, Nugroho, Bunafit, Membuat Aplikasi Database dengan MySQL dan Netbeans, Jakarta : PT Elex Media Komputindo, 2010.

[12]

(2016) Netbeans website. [Online]. Available: http://www.netbeans.org/

[13]

Nugroho, Adi, Perancangan dan Implementasi Sistem Basis Data, Yogyakarta : Andi, 2011.

[14]

Kurniawan, Eko, Belajar Java Dasar, Jakarta : PT Elex Media Komputindo, 2011.

Gambar 17. Tampilan Laporan Anggaran Per Kelompok Tani

V. KESIMPULAN DAN SARAN Dari hasil penelitian ini dapat diambil beberapa kesimpulan yaitu : 1. Aplikasi yang dibuat dapat menggantikan proses pendataan yang selama ini secara manual ke suatu sistem yang lebih teratur dan terkomputerisasi. 2. Aplikasi yang dibuat sangat membantu pemakai dalam memonitoring data–data kabupaten kecamatan, desa, kelompok tani dan pengalokasian dana. 3. Dengan adanya aplikasi perhitungan rekapitulasi data yang dibuat ini dapat membantu meningkatkan kinerja dan mempermudah sistem kerja dari Bidang Sarana dan Prasarana khususnya pada seksi PLA dalam mengolah dan menghitung data-data yang masuk secara cepat dan akurat. .Disarankan kedepannya sistem ini dikembangkan lebih lanjut dengan menambahkan proses perhitungan anggaran kebutuhan bibit padi untuk penanaman.

REFERENSI [1]

Wijiyono,

Utomo,

V.,

G.,

“Aplikasi


Pengantar Teknologi Pertama, Jakarta :

75

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093 [15]

Yakub, Pengantar Sistem Yogyakarta : Graha Ilmu, 2012.

Informasi,

[16]

Jogiyanto, Hartono, Model Kesuksesan Sistem Teknologi Informasi, Yogyakarta : Andi, 2007.


76



77

Vol 2, No 2, Tahun 2017

Recommend Documents