ANALISA PERFORMA METODE COSINE DAN JACARD PADA PENGUJIAN KESAMAAN DOKUMEN

Transkripsi

1 Sugyamto, Bayu Surarso dan Ars Sugharto ANALISA PERFORMA METODE COSINE DAN JACARD PADA PENGUJIAN KESAMAAN DOKUMEN 3) ) 2) Sugyamto ), Bayu Surarso 2) dan Ars Sugharto 3) Jurusan Sstem Informas Unverstas Stkubank Jurusan Matematka FSM Unverstas Dponegoro Jurusan Ilmu Komputer/Informatka Unverstas Dponegoro Abstract Saat n teknolog nformas memudahkan dstrbus data-data dgtal melalu berbaga meda, salah satunya adalah dokumen. Namun hal n menyebabkan adanya penyalahgunaan dalam bentuk duplkas yang mengarah pada kegatan plagarsm terutama untuk naskah-naskah akademk sepert skrps atau tugas akhr. Berbaga metode dkembangkan untuk memnmumkan terjadnya duplkas llegal. Salah satunya adalah dengan menggunakan teknk pengujan kemrpan. Pada peneltan n dbandngkan performa dar metode Cosne dan Jaccard untuk menguj tngkat kemrpan dokumen dalam bentuk abstrak. Hasl peneltan menunjukkan bahwa pengujan kemrpan menggunakan Cosne memlk tngkat akuras lebh tngg yatu 0, dbandngkan dengan Jaccard sebesar 0, Keywords : dokumen, kemrpan, cosne, jaccard.. PENDAHULUAN Pada era teknolog nformas memungknkan sebuah dokumen dubah menjad bentuk dgtal. Begtu pula dengan dokumen akademk sepert skrps, tess maupun desertas mahasswa. Dgtalsas dplh karena terdapat beberap hal yang menguntungkan dantaranya adalah murah, mudah dgandakan atau dduplkas tanpa terjad penurunan kualtas. Pada ss lan dgtalsas juga menyebabkan dokumen-dokumen dsaln dan dgunakan untuk aktftas-aktftas yang tdak pada tempatnya, sepert menggunakan naskah akademk orang lan dengan cara dsaln atau copy paste menjad sebuah naskah akademk yang seolah-olah asl tanpa menyebutkan sumbernya atau lebh dekenal dengan nama plagarsm. Dengan maraknya kegatan plagarsm maka peneltan yang dfokuskan pada deteks kesamaan dokumen menjad sangat mendesak. Beberapa peneltan untuk mengetahu tngkat kesamaan dokumen telah dlakukan, dantaranya oleh Strasberg (2002) yang menelt kemampuan pencaran kemrpan dokumen yang dmplementaskan pada sebuah artkel berta dan jurnal. Kemudan Saul Schlemer, (2003), mendeteks satu sfat pentng dokumen local dengan menggunakan algortma sdk jar (fngerprntng) dokumen dengan aplkas MOSS (Measure Of Software Smlarty), yang, memberkan hasl ekspermen pada data Web dengan hasl knerja kurang lebh 33%. Selanjutnya Shombng (2005), menggunakan algortma genetka untuk menentukan tngkat kesamaan dokumen pada sstem temu kembal nformas. Pada peneltan n terungkap bahwa semakn banyak dokumen yang dgunakan sebaga sumber dar query, maka tngkat kesamaan dokumen dapat menurun. Pada tahun 2006, Shombng juga menelt penerapan algortma genetka dengan menggunakan tga formulas yatu : Jaccard Formulaton, Dce Formulaton dan Horng & Yeh Formulaton. Hasl peneltan menunjukkan bahwa tren keseluruhan teknk probabltas dalam kesamaan dokumen dengan menggunakan formulas yang berbeda, jka jumlah permntaan menngkat, persentase kesamaan dokumen dambl bsa menngkat atau menurun. Peneltan untuk mendeteks kemrpan dokumen dengan mengembangkan perangkat lunak sederhana juga dlakukan oleh Yaakov HK Jurnal Masyarakat Informatka, Volume 5, Nomor 0, ISSN

2 Analsa Performa Metode Cosne dan Jacard (200), dengan membangun corpus (C), bers 0.00 makalah akademk dalam lmu komputer dtuls dalam bahasa Inggrs dan dua tes set termasuk surat-surat yang dplh secara acak dar C. Metode yang dgunakan pada peneltan n adalah Full fngerprnt methods (FF), dmana menunjukkan hasl 53,4 % postf benar (true postves). Adapun Tan et. All (2005) menggunakan Jaccard smlarty atau Jaccard Coeffcent untuk menghtung smlarty antara dua objects (tems). Sepert halnya cosne dstance dan matchng coeffcent yang ddasarkan pada vector space smlarty measure. Pada peneltan n dgunakan algortma sngle pass clusterrng untuk mengklasfkaskan dokumen dan mengujnya dengan pendekatan kesamaan dokumen yang berbeda yatu menggunakan metode cosne smlarty dan Jaccard smlarty. 2. TINJAUAN PUSTAKA Sstem Temu Kembal Informas Sstem Temu Kembal Informas merupakan suatu sstem yang menympan nformas dan menemukan kembal nformas tersebut. Secara konsep bahwa ada beberapa dokumen atau kumpulan record yang bers nformas yang dorgansaskan ke dalam sebuah meda penympanan untuk tujuan mempermudah dtemukan kembal. Dokumen yang tersmpan tersebut dapat berupa kumpulan record nformas bblograf maupun data lannya (Salton 989). Sstem temu kembal teks (text retreval) adalah sstem penemuan kembal nformas dalam bentuk dokumen dengan mengukur kemrpan (smlarty) antara nformas yang tersmpan dalam bass data dengan query yang dmasukkan oleh pengguna (Baesa dan Rbero, 998). Teknk pencaran nformas pada Sstem Temu Kembal Informas (Informaton Retreval System) berbeda dengan sstem pencaran pada sstem manajemen bass data (DBMS). Dalam sstem temu kembal terdapat dua bagan utama yatu bagan pengndeksan (ndexng) dan pencaran (searchng). Kedua bagan tersebut memlk peran pentng dalam proses temu kembal nformas. Klasterng Dokumen Klasterng basanya dgunakan pada banyak bdang, sepert : data mnng, pengenalan pola (pattern recognton), pengklasfkasan gambar (mage classfcaton), lmu bolog, pemasaran, perencanaan kota, pencaran dokumen, dan lan sebaganya. Tujuan dar klasterng adalah untuk menentukan pengelompokan dar suatu set data. Akan tetap tdak ada ukuran terbak untuk pengelompokan data. Untuk pengelompokkan data tergantung tujuan akhr dar klasterng, maka dperlukan suatu krtera sehngga hasl klasterng sepert yang dngnkan. Secara umum klasterng dokumen adalah proses mengelompokkan dokumen berdasarkan kemrpan antara satu dengan yang lan dalam satu klaster (Gordon, 99; Ells, 996). Tujuan klasterng dokumen adalah untuk memsahkan dokumen yang relevan dar dokumen yang tdak relevan. Atau dengan kata lan, dokumen-dokumen yang relevan dengan suatu query cenderung memlk kemrpan satu sama lan dar pada dokumen yang tdak relevan, sehngga dapat dkelompokkan ke dalam suatu klaster. Klasterng dokumen dapat dlakukan sebelum atau sesudah proses temu kembal. Pada klasterng dokumen yang dlakukan sebelum proses temu kembal nformas, koleks dokumen dkelompokkan ke dalam klaster berdasarkan kemrpan (smlarty) antar dokumen. Selanjutnya dalam proses temu kembal nformas, apabla suatu dokumen dtemukan maka seluruh dokumen yang berada dalam klaster yang sama dengan dokumen tersebut juga dapat dtemukan. (Jan Zhang, dkk., 200) Dalam Sstem Temu Kembal Informas, klasterng dokumen memberkan beberapa manfaat, antara lan:. Mempercepat pemrosesan query dengan menelusur hanya pada sejumlah kecl anggota atau wakl klaster, sehngga dapat mempercepat proses temu kembal nformas 2. Membantu melokalsas dokumen yang relevan 3. Membentuk kelas-kelas dokumen sehngga mempermudah penjelajahan dan pemberan nterpretas terhadap hasl penelusuran 2 Jurnal Masyarakat Informatka, Volume 5, Nomor 0, ISSN

3 Sugyamto, Bayu Surarso dan Ars Sugharto 4. Menngkatkan efektvtas dan efsens temu kembal nformas dan memberkan alternatf metode penelusuran Selan tu, penggabungan antara penelusuran secara menyeluruh (full search) dengan penelusuran berbass klaster (clusterbased retreval) dapat menngkatkan keteltan sampa dengan 25%. Hal yang sama dkemukakan oleh (Jan Zhang, dkk., 200) bahwa penggabungan antara metode pengklasteran dengan fuson (pemberan perngkat terdadap dokumen secara keseluruhan) akan menngkatkan efektvtas temu kembal nformas. Pada algortma klasterng, dokumen akan dkelompokkan menjad klaster-klaster berdasarkan kemrpan satu data dengan yang lan. Prnsp dar klasterng adalah memaksmalkan kesamaan antar anggota satu klaster dan memnmumkan kesamaan antar anggota klaster yang berbeda. Stemmng Stemmng merupakan suatu proses untuk menemukan kata dasar dar sebuah kata. Dengan menghlangkan semua mbuhan (affxes) bak yang terdr dar awalan (prefxes), sspan (nfxes), akhran (suffxes) dan confxes (kombnas dar awalan dan akhran) pada kata turunan. Stemmng dgunakan untuk menggant bentuk dar suatu kata menjad kata dasar dar kata tersebut yang sesua dengan struktur morfolog Bahasa Indonesa yang bak dan benar. Imbuhan (affxes) pada Bahasa Indonesa lebh kompleks bla dbandngkan dengan mbuhan (affxes) pada Bahasa Inggrs. Hal n dsebabkan mbuhan (affxes) pada Bahasa Indonesa terdr dar awalan (prefxes), sspan (nfxes), akhran (suffxes), bentuk perulangan (repeated forms) dan confxes (kombnas dar awalan dan akhran). Imbuhanmbuhan yang melekat pada suatu kata harus dhlangkan untuk mengubah bentuk kata tersebut menjad bentuk kata dasarnya. Stemmng teks berbahasa Indonesa memlk beberapa masalah yang sangat khusus terhadap bahasa. Salah satu masalah tersebut adalah perbedaan tpe dar mbuhan-mbuhan (affxes), yang lan adalah bahwa awalan (prefxes) dapat berubah tergantung dar huruf pertama pada kata dasar. Sebaga contoh me- dapat berubah menjad mem- ketka huruf pertama dar kata dasar tersebut adalah b, msalnya membuat (to make), tetap me- juga dapat berubah menjad meny- ketka huruf pertama dar kata dasar melekat adalah s, msalnya menyapu (to sweep). Selanjutnya ketka ada lebh dar satu mbuhan (affxes) yang melekat pada suatu kata, maka urutan untuk menghlangkan mbuhanmbuhan (affxes) pada kata tersebut menjad sangat pentng. Jka dalam proses meghlangkan mbuhan-mbuhan (affxes) tersebut kta tdak memperhatkan urutan penghlangan mbuhanmbuhan (affxes) tersebut, maka kata dasar yang benar dar kata tersebut tdak akan dtemukan. Sebaga contoh pada kata d-ber-kan (to be gven) yang dturunkan dar kata dasar ber (to gve). Jka kta menghlangkan akhran (suffxes) kan terlebh dahulu sebelum menghlangkan awalan (prefx) d- maka pada proses stemmng n kta mendapatkan kata dasar yang benar yatu ber (to gve), akan tetap jka algortma stemmng mencoba untuk menghlangkan awalan (prefxes) terlebh dahulu sebelum akhran (suffxes) maka hasl kata dasar yang dhaslkan dar proses stemmng dengan menggunakan algortma tersebut adalah kan (fsh) (setelah menghlangkan awalan d dan ber ) dmana kan merupakan kata dasaryang vald yang terdapat dalam kamus tetap kan bukan merupakan kata dasar yang benar untuk kata turunan dberkan. Peneltan terhadap stemmng untuk text retreval, machne translaton, document summarzaton dan text classfcaton sudah pernah dlakukan sebelumnya. Untuk stemmng yang dlakukan pada Text Retreval, stemmng n menngkatkan kesenstvan retrval dengan menngkatkan kemampuan untuk menemukan document yang relevan, tetap hal tu terkat dengan pengurangan pada pemlhan dmana pengelompokkan menjad kata dasar menyebabkan penghlangan makna kata. Pada Text Retrval stemmng dharapkan dapat menngkatkan recall, tetap memungknkan untuk menurunkan precson. Sngle Pass Clusterng Sngle Pass Clusterng merupakan suatu tpe klasterng yang berusaha melakukan Jurnal Masyarakat Informatka, Volume 5, Nomor 0, ISSN

4 Analsa Performa Metode Cosne dan Jacard pengelompokan data satu dem satu dan pembentukan kelompok dlakukan serng dengan pengevaluasan setap data yang dmasukkan ke dalam proses klaster. Pengevaluasan tngkat kesamaan antar data dan klaster dlakukan dengan berbaga macam cara termasuk menggunakan fungs jarak, vectors smlarty, dan lan-lan. Algortma yang serng dgunakan dalam Sngle Pass Clusterng adalah, untuk masngmasng data d : () loop a) menemukan a klaster c yang memaksmalkanan fungs objektf b) jka nla dar fungs subjektf > a maka nla ambang masukkan d d dalam c c) jka a klaster baru maka a adalah hanya data d 2) akhr loop Dalam menggunakan algortma n, dua hal yang perlu menjad perhatan adalah penentuan objectve functon dan penentuan threshold value. Objectve functon yang dtentukan haruslah sebsa mungkn mencermnkan keadaan data yang dmodel dan dapat memberkan nla tngkat kesamaan atau perbedaan yang terkandung d dalam data tersebut. Penentuan threshold value juga merupakan hal yang subjektf, makn besar nla threshold, makn mudah suatu data untuk bergabung ke dalam suatu klaster, dan demkan juga sebalknya. (Klampanos, 2006). Cosne Smlarty Cosne smlarty merupakan metode yang dgunakan untuk menghtug tngkat kesamaan (smlarty) antar dua buah objek. Untuk tujuan klasterng dokumen, fungs yang bak adalah fungs cosne smlarty (Salton, 989). Untuk notas hmpunan dapat dgunakan rumus X Y dmana Smlarty X Y ( X, Y ) = X 2. Y adalah jumlah term yang ada pada dokumen X dan yang ada pada dokumen Y, X adalah jumlah term yang ada pada dokumen X dan Y pada dokumen Y. adalah umlah term yang ada 2 Dar notas hmpunan d atas dapat dbuat persamaan matematka sebaga berkut : Smlarty ( X, Y ) = = x y 2 2 X. Y = = dmana x dan y adalah dokumen yang berbeda, x adalah term yang ada d dokumen x adalah term yang ada d dokumen y Sedangkan pada proses nla cosnus berdasarkan kata kunc pada setap dokumen dapat dperlhatkan pada gambar dmana D adalah dokumen, D 2 adalah dokumen 2, Q adalah kata kunc dan t adalah kata dalam bassdata. t 2 D θ θ 2 Gambar. Vektor smlartas kata kunc dengan dokumen (Salton, 989) Pada proses pencaran kemrpan antar dokumen yang bukan berdasarkan kata kunc maka varable Q dgant dengan kumpulan kata pada suatu dokumen yang akan dcar dokumen lan yang mrp dengan dokumen tersebut. Tdak ada proses query yang dgenerate langsung oleh pengguna. Query dhaslkan dar kata-kata yang muncul d dokumen yang terplh. Pada proses pencaran kemrpan antar dokumen yang bukan berdasarkan kata kunc maka varable Q dgant dengan kumpulan kata pada suatu dokumen yang akan dcar dokumen lan yang mrp dengan dokumen tersebut. Tdak ada proses query yang dgenerate langsung oleh pengguna. Query dhaslkan dar kata-kata yang muncul d dokumen yang terplh. Jaccard Coeffcent Jaccard Coeffcent merupakan metode yang dgunakan untuk menghtug tngkat kesamaan (smlarty) antar dua buah objek. Untuk tujuan D 2 t 3 Q t y 4 Jurnal Masyarakat Informatka, Volume 5, Nomor 0, ISSN

5 Sugyamto, Bayu Surarso dan Ars Sugharto klasterng dokumen, fungs yang bak adalah fungs Jaccard Coeffcent (Salton, 989). Untuk notas hmpunan dapat dgunakan rumus Smlarty ( X, Y ) X Y = X +. Y X Y dar notas hmpunan d atas dapat dbuat persamaan matematka sebaga berkut : Smlarty ( X, Y ) = = t + t t 2 2 x y = = = x y x y Untuk merealsas konsep n, setap dokumen harus dkorelaskan dengan subyek dengan relas many to many, artnya satu subyek bsa memlk beberapa dokumen, sebalknya satu dokumen bsa juga memlk beberapa subyek. Untuk dapat melakukan pengelompokan dokumen terhadap subyek dapat dlakukan dengan 2 cara, yatu:. Memasukkan setap dokumen secara langsung kedalam subyek 2. Memasukkan dokumen secara tdak langsung kedalam suatu subyek dengan menggunakan bantuan term. Untuk dokumen dalam jumlah yang sangat banyak, tdak dlakukan pengelompokan dengan cara memasukkan satu persatu dokumen kedalam subyek, yatu dengan memperhtungkan frekuens kemunculan term dalam dokumen tersebut dan jumlah dokumen yang mengandung term tersebut. 3. METODOLOGI PENELITIAN Alat dan Bahan Pada peneltan n dgunakan data sejumlah 550 skrps mahasswa dalam bentuk judul dan abstrak. Sedangkan spesfkas alat melput hardware dan software dengan spesfkas sebaga berkut : a. Perangkat keras Spesfkas perangkat keras yang dgunakan processor Intel Core 5, 2.30 GHz, RAM 4 GB, Hardsk 360 GB, montor. b. Perangkat lunak Perangkat lunak yang dgunakan dalam sstem n adalah Mcrosoft Wndows 7 Ultmate, Bahasa pemrograman PHP, webserver Apache 2.0 dan server bass data MySql 5. Tahapan Peneltan Peneltan n memlk tahapan-tahapan sebaga berkut : a. Tokensas b. Pembuangan Stop Word c. Stemng d. Indexng e. Smlarty f. Clusterng yang dperlhatkan pada gambar 2. Start Judul Abstrak Baca dokumen Tokensas Pembuangan Stop Word Stemmng A Gambar 2. Tahapan Peneltan A Indexng Htung Smlartas Klasterng Skrps koleks dokumen dokumen smlartas dokumen klaster Stop Koleks Jaccard & cosne Klaster Jurnal Masyarakat Informatka, Volume 5, Nomor 0, ISSN

6 Analsa Performa Metode Cosne dan Jacard Hasl dan Pembahasan Adapun antar muka yang dgunakan untuk proses pencaran data sekalgus untuk melhat nla kemrpannya dan proses klasterng dapat dlhat pada gambar 3 dan 4. Tabel. Kemrpan Judul dengan Cosne d Id2 Sm Gambar 3. Antar muka pencaran data. Tabel 2. Kemrpan Abstrak dengan Cosne d Id2 Sm Tabel 3. Kemrpan Judul dengan Jaccard d Id2 Sm Gambar 4. Antar muka untuk pengklasteran Setelah dlakukan serangkaan ujcoba dengan menggunakan perhtungan kemrpan Cosne smlarty dan Jaccard sepert tahapan pada gambar 2, dperoleh hasl sebaga berkut : Untuk pengukuran kemrpan dengan menggunakan Cosne smlarty dperlhatkan pada tabel dan 2 sedangkan kemrpan dengan menggunakan Jaccard dperlhatkan pada tabel 3 dan 4. Tabel 4. Kemrpan Abstrak dengan Jaccard. d Id2 Sm Jurnal Masyarakat Informatka, Volume 5, Nomor 0, ISSN

7 Sugyamto, Bayu Surarso dan Ars Sugharto Tabel 5. Data 0 nla kemrpan tertngg untuk abstrak. No. d Id2 Jaccard Cosne Dar data d atas dapat dlhat bahwa rata-rata kemrpan untuk abstrak dengan menggunakan Cosne sebesar 0, sedangan jka dgunakan Jaccard rata-ratanya sebesar 0, KESIMPULAN Hasl dar peneltan n menunjukkan bahwa penggunaan pengukuran kemrpan abstrak bak dengan Cosne maupun Jaccar secara rata-rata mengndkaskan bahwa keduanya memlk performa yang tngg, namun jka dbandngkan terlhat bahwa pengukuran dengan menggunakan Cosne smlarty memlk tngkat akuras yang lebh bak yatu sebesar 0, sedangkan Jaccard sebesar 0, DAFTAR PUSTAKA Alex N, Barbara H dan Frank Klawonn, Sngle pass clusterng for large data sets, Proceedngs of the 6th Internatonal Workshop on Self-Organzng Maps (WSOM, 2007), -6. Baeza, R dan Rbero, B, 998, Modern Informaton Retreval, ACM Press New York USA Huang A., Smlarty Measures for Text Document Clusterng, Proceedngs of the New Zealand Computer Scence Research Student Conference, 2008, Klampanos I A., Joemon M. J, dan C. J. Keth van Rjsbergen, Sngle-Pass Clusterng for Peer-to-Peer Informaton Retreval: The Effect of Document Orderng, Proceedngs of the Frst Internatonal Conference on Scalable Informaton Systems, May 29-June 2006 Porter, M., (980), An algorthm for suffx strppng, Program3(3), Pressman R, 997, Software Engneerng, Mc Graw Hll, USA. Salton, G., 989, Automatc Text Processng, The Transformaton, Analyss, and Retreval of Informaton by Computer, Addson Wesly Publshng Company, Inc. All rghts reserved. Salton, G. and Buckley, 988, Term Wegtng Approaches n Automatc Text Retreval, Department of Computer Scence, Cornell Unversty, Ithaca, NY 4853, USA. Salton, G., 97, Cluster Search Strateges and the Optmzaton of Retreval Efectveness, dalam G. Salton, ed. The SMART Retreval System: Experments n Automatc Document Processng. Englewood Clffs: Prentce-Hall, Sambasvam Samuel, Nck Theodosopoulos, Advanced Data Clusterng Methods of Mnng Web Documents, Issues n Informng Scence and Informaton Technology, Volume 3, Schlemer Saul, Danel S. Wlkerson, Alex Aken, 2003, Wnnowng : Local Algorthms for Document Fngerprntng, SIGMOD 2003,June 9-2, -0 Jurnal Masyarakat Informatka, Volume 5, Nomor 0, ISSN

8 Analsa Performa Metode Cosne dan Jacard Shombng P; Embong A dan Sumar P, 2005, Applcaton of Genetc Algorthm to Determne A Document Smlarty Level n IRS, The Frst Malaysan Software Engneerng Conference, 67-7 Shombng P; Embong A dan Sumar P, 2006, Comparson of Document Smlarty n Informaton Retreval System by Dfferent Formulaton, Proceedngs of the 2 nd IMT- GT Regonal Conference on Mathematcs, Statstcs and Aplkaton, Malaysa, June 3-5, -8 Algorthms, Internatonal Journal of Scence and Technology (6), Tala, Z, 2003, A Study of Stemmng Effects on Informaton Retreval n Bahasa Indonesa, Master of Logc Project, Insttute for Logc, Language and Computaton, Unverstet van Amsterdam, The Netherlands. Tan, P. N., M. Stenbach and V. Kumar, Introducton to Data Mnng, Addson Wesley. Srdev. K, R. Umaran. V.Selv, 20, An Analyss of Web Document Clusterng 8 Jurnal Masyarakat Informatka, Volume 5, Nomor 0, ISSN