PENGUJIAN ALGORITMA LEVENSHTEIN DISTANCE DAN ALGORITMA TERM FREQUENCY INVERSE DOCUMENT FREQUNECY (TF-IDF) UNTUK PENILAIAN JAWABAN ESAI
|
|
- Sucianty Jayadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1
2 PENGUJIAN ALGORITMA LEVENSHTEIN DISTANCE DAN ALGORITMA TERM FREQUENCY INVERSE DOCUMENT FREQUNECY (TF-IDF) UNTUK PENILAIAN JAWABAN ESAI Supandi Nangili 1, Abd.Aziz Bouty 2 Tajuddin Abdillah 3 1 Mahasiswa Fakultas Teknik, Universitas Negeri Gorontalo nangili911@gmail.com 2 Dosen Fakultas Teknik, Universitas Negeri Gorontalo abd.azizbouty@ung.ac.id 3 Dosen Fakultas Teknik, Universitas Negeri Gorontalo tajuddin@ung.ac.id ABSTRAK Algoritma Levenshtein Distance dan algoritma TF-IDF adalah algoritma yang gunakan untuk penilaian jawaban esai. Namun,kedua algoritma ini belum dilakukan pengujian dalam penerapannya.tujuan penelitian adalah melakukan pengujian terhadap algoritma Levenshtein Distance dan algoritma TF-IDF dalam menentukan nilai jawaban esai.metode penelitian yang digunakan pada penelitian ini yaitu metode penelitian eksperimen dengan empat tahapan penelitian yaitu: pengumpulan data, desain sistem, implementasi dan analisis pengujian.aplikasi yang dibuat dalam melakukan penilaian jawaban esai dapat menampilkan hasil pengujian setiap algoritma penilaian. Analisis pengujian yaitu menghitung persentase nilai error perhitungan algoritma Levenshtein Distance dan algoritma TF-IDF dengan perhitungan paling sedikit mempunyai nilai persentase error. Dari hasil analisis algoritma TF-IDF menghasilkan nilai persentase error paling sedikit yaitu 30,7418% dibandingkan dengan nilai persentase error algoritma Levenshtein Distance yaitu 65,76693%. Hasil ini menggunakan uji sampel terhadap 10 mahasiswa dengan memberikan empat contoh soal. Kata Kunci: Penilaian Esai, Algoritma Levenshtein Distance, Algoritma TF- IDF ABSTRACT Levenshtein DistanceAlgorithmand TF-IDF algorithmare algorithms are used to essay test assessment. However, those algorithms are not yet tested in their implementation. The research aimed at testing the Levenshtein Distance algorithm and TF-IDF algorithm in determining the score of the answer of essay test. The research applied experimental method with fourstagesof the research:data collection, system design, implementationandtestinganalysis. The application that has been made in assessing the answer of essay test can display the test result of each algorithm assessment. Testing analysis was by measuring the percentage of error score of Levenshtein Distance algorithm and TF-IDF algorithm measurement. The result shows that TF-IDF algorithm has the lowest score of error percentage which is 30,741% if it is compared with error percentage score percentage score of Levenshtein Distance Algorithm as 65,7669%. The result is gained through samples test to 10 students by giving four examples of test. Keywords: Assessment of Essay Test, Levenshtein Distance Algorithm, TF-IDF Algorithm
3 1. PENDAHULUAN Pemanfaatan teknologi dan komputasi dalam bidang pendidikan sudah tidak menjadi hal yang baru lagi. Berbagai macam sistem yang dibuat untuk membantu kinerja para pengguna sehingga lebih mudah untuk melakukan pekerjaan. Salah satu bantuan sistem yang dipergunakan adalah penilai jawaban otomatis. Dengan adanya sistem ini dapat membantu dalam menilai kemampuan seseorang untuk menjawab soal yang telah disediakan. Algoritma yang digunakan dalam melakukan penilaian terhadap jawaban esai yaitu algoritma Levenshtein Distance menggunakan perhitungan editdistance kemudian mencari nilai similarity, seperti pada penelitian yang dilakukan oleh Nafik (2012). Selain Algoritma Levenstein Distance, ada pula algoritma Term Frequency Inverse document Frequency (TF-IDF) yang digunakan untuk melakukan penilaian jawaban esai seperti dilakukan oleh Adam Asshidiq (2014) Penilaian Ujian Bertipe Uraian (essay) Menggunakan Metode Kemiripan Teks (Text Similarity) dalam penelitiannya yaitu menggunakan Algoritma TF-IDF. Algoritma Levenshtein Distance dan TF-IDF ini dianggap dapat memberikan nilai terhadap jawaban esai. Namun, apakah hasil uji Algoritma LevenshteinDistance memperoleh persentase error yang sama atau berbeda dibandingkan dengan Algoritma TF-IDF?. Berdasarkan penjelasan tersebut maka, dapat dirumuskan permasalahan yakni bagaimana hasil pengujian algoritma Levenshtein Distance dan algoritma TF- IDF dalam penilaian jawaban esai?. Setelah dirumuskan permasalah ini selanjutnya tujuan penelitian yaitu melakukan pengujian terhadap algoritma Levenshtein Distance dan algoritma TF-IDF dalam penerapannya untuk menentukan nilai jawaban esai. Sehingga manfaat yang dari penelitian adalah memberikan pengetahuan dan wawasan terhadap penggunaan algoritma Levenshtein Distance dan TF- IDF dalam penilaian jawaban esai, dan juga memberikan referensi terhadap penelitian lain dalam pembuatan sistem penilaian jawaban esai. 2. TINJAUAN PUSTAKA 2.1 Temu Kembali Informasi Temu kembali informasi (Information Retrieval) informasi merupakan proses pencarian informasi yang didasarkan pada suatu query yang diharapkan dapat memenuhi keinginan user dari kumpulan dokumen yang ada. Sebuah query merupakan suatu keywords dan dokumen yang mengandung keywords merupakan dokumen yang dicari dalam Sistem Temu Kembali Informasi (Infromation Retrieval System - IRS). Seperti yang dijelaskan oleh Mandala (dalam Zafikri, 2008), sistem temu kembali informasi ( Infromation Retrieval System) digunakan untuk menemukan kembali (retrieve) informasi-informasi yang relevan terhadap kebutuhan pengguna dari suatu kumpulan informasi. 2.2 Term Frequency/ Inverse document Frequency (TF/IDF) Algoritma TF/IDF merupakan suatu cara untuk memberikan bobot hubungan suatu kata ( Term) terhadap dokumen. Frekuensi kemunculan kata di dalam dokumen yang diberikan menunjukan seberapa penting kata tersebut di dalam dokumen. Sehingga bobot hubungan antara sebuah kata dan sebuah dokumen akan tinggi apabila frekuensi kata tinggi di dalam dan frekuensi keseluruhan dokumen yang mengandung kata tersebut akan rendah pada kumpulan dokumen (Fakhreza, 2011). Rumus umum untuk Tf-Idf : Wij= tƒij * Idƒ Wij = tƒij * log(n/n). (1) Keterangan : W ij = bobot kata/term t j terhadap dokumen d i tf ij = jumlah kemunculan kata/term t j di dalam d i N= jumlah semua dokumen yang ada dalam database
4 n= jumlah dokumen yang mengandung kata/term t j Berdasarkan rumus diatas, berapapun besarnya nilaiu tfij, apabila N = n maka akan didapatkan hasil 0 (nol) untuk perhitungan Idf. Untuk itu dapat ditambahkan nilai 1 (satu) pada sisi Idf, sehingga perhitungan bobotnya menjadi sebagai berikut : Wij = tƒij * (log(n/n)+1) (2) 2.3 Algoritma Levenshtein Distance Levenshtein Distance merupakan algoritma untuk menghitung kemiripan antar string berdasarkan total biaya terkecil dari transformasi salah satu string menjadi kata lain dengan menggunakan edit-rules, yaitu penambahan karakter insertion, penggantian karakter subtituion, dan penghapusan karakter deletion (Deddy Winarsono, 2009). Untuk lebih jelasnya perhatikan matrik ilustrasi pencarian Levenshtein Distance antara dua string berikut yaitu penjara dan jarak. Jika kita melihat sekilas, kedua string penjara dan jarak memiliki jarak 4 (empat). Berarti untuk mengubah string jarak menjadi penjara diperlukan 4 operasi yaitu : 1. Menyisipkan karakter p jarak = pjarak 2. Menyisipkan karakter e pjarak = pejarak 3. Menyisipkan karakter n pejarak = penjarak 4. Menghapus kerakter k penjarak = penjara Tabel 1Tabel Matrik Levenshtein Distance p e n j a r a j a r a k Dari proses pencarian nilai distancenya, didapat bahwa jumlah modifikasi minimum yang dilakukan untuk mengubah string jarak menjadi string penjara adalah sebanyak 4 operasi. Setelah mendapatkan biaya edit distancenya maka untuk menghitung Levenshtein Distance berikut : dengan rumus string similarity Nilai kemiripan (similarity score) diasumsikan pada rentang 0 (nol) hinggal 1 (satu), yang artinya nilai 1 adalah nilai maksimum yang menunjukan bahwa dua kata adalah sama identik. Pendekatan yang digunakan oleh peneliti mampu mengukur nilai kemiripan antar dua string berdasarkan pada susunan karakter. 3. METODE PENELITIAN Pada penelitian ini, objek yang menjadi sasaran peniliti adalah soal-soal dan jawaban dari mata kuliah sistem temu kembali informasi. Metode yang digunakan pada penelitian ini adalah metode penelitian eksperimen. Menurut Wiersma (2013) eksperimen sebagai suatu situasi penelitian yang sekurang-kurangnya satu variable bebas, yang disebut sebagai variable eksperimental, sengaja dimanipulasi oleh peneliti. Adapun tahapan penelitian dapat dilihat pada gambar 3.1 : Mulai Pengumpulan Data Desain Sistem Implementasi Analisi Pengujian Selesai Gambar 1Tahapan Penelitian 4. HASIL DAN PEMBAHASAN 1. Hasil a. Pengumpulan Data Peneliti melakukan perhitungan penilaian terhadap salah satu soal dan jawaban esai kemudian menghitung nilai kesamaan jawaban esai menggunakan sistem penilain Algoritma Levenshtein Distance dan TF-IDF. Sebelum melakukan
5 proses penilian jawaban dengan kedua algoritma tersebut terlebih dahulu melakukan preprocessing. Setelah melakukan preprocessing selajutnya melakukan proses penilaian dengan algoritma Levenshtein Distance dan algoritma TF-IDF. Adapun contoh soal yang digunakan sebagai berikut dengan bobot soal Soal :Jelaskan pengertian temu kembali informasi! - Kunci : Temu kembali informasi adalah sebuah media layanan bagi pengguna untuk memperoleh informasi atau sumber informasi yang dibutuhkan oleh pengguna - Mahasiswa: Temu kembali informasi adalah sistem penyedia layanan untuk mencari dan mendapatkan informasi. A. PreprocessingAlgoritma untuk kunci jawaban dan jawaban mahasiswa Gambar 2 Tahapan Preprocessing Berikut hasil Preprosesing : Tabel 1 Hasil Casefolding Teks Casefolding Kunci temu kembali informasi adalah sebuah media layanan bagi pengguna untuk memperoleh informasi atau sumber informasi yang dibutuhkan oleh pengguna. temu kembali informasi adalah sistem penyedia layanan untuk mencari dan mendapatkan informasi. Tabel 2 Hasil Tokenizing dan Filtering Teks Tokenizing temu;kembali;informasi;adalah ;sebuah;media;layanan;bagi;pe Kunci ngguna;untuk;memperoleh;inf ormasi;atau;sumber;informasi; yang;dibutuhkan;oleh;penggun a. temu;kembali;informasi;adalah ;sistem;penyedia;layanan;untu Teks Kunci k;mencari;dan;mendapatkan;in formasi. Filtering temu;kembali;informasi;seb uah;media;layanan;bagi;pen gguna;memperoleh;informa si;sumber;informasi;dibutuh kan;oleh;pengguna. temu;kembali;informasi;sist em;penyedia;layanan;menca ri;mendapatkan;informasi. Tabel 3Hasil Stemming Teks Stemming Kunci temu;kembali;informasi;buah; media;layan;bagi;guna;oleh;in formasi;sumber;informasi;but uh;oleh;guna. temu;kembali;informasi;siste m;sedia;layan;cari;dapat;infor masi. B. Perhitungan Algoritma Levenshtein Setelah melakukan Preprosesing tahap selanjutnya yaitu pencocokan string antara jawaban mahasiswa dengan kunci jawaban menggunakan algoritma Levenshtein Distance. Berikut flowchart ilustrasi pencocokan string menggunakan algoritma Levenshtein Distance.
6 Gambar 3 Flowchart Levenhstein Distance Proses penilaian menggunakan rumus Levenshtein Distance yaitu untuk mencari nilai similarity antara kedua string. Mencari nilai similarity yaitu dengan mengumpulkan informasi-informasi nilai yang menjadi rumus perhitungan nilai jawaban dan kunci jawaban. Berikut tabel informasi nilai. Tabel 4Informasi Nilai String String1 String2 Nilai = {1 42} * Jadi total nilai akhir perhitungan antara jawaban dan kunci jawaban menggunakan algoritma Levenshtein Distance dengan Bobot soal (80) adalah Kunci Dosen Hasil Preprosesing temukembaliinform asibuahmedialayan bagigunaolehinfor masisumberinforma sibutuholehguna temukembaliinform asisistemsedialayan caridapatinformasi Frekuensi dosen Frekuensi Mahasiswa Mahasiswa Term Panjan g String C. Perhitungan Algoritma TF-IDF Dalam melakukan proses penilaian terhadap jawaban, algoritma TF-IDF melakuan beberapa proses sebelum akhirnya menemukan nilai terhadap jawaban. Adapun langkah-langkah yang dilakukan yaitu : a. Menghitung Term jawaban dan kunci jawaban Tabel 5 Perhitungan tem TF TF Mahasis Dosen wa temu 1 temu 1 temu 1 1 kembali 1 kembali 1 kembali 1 1 informasi 3 informasi 2 informasi 3 2 buah 1 sistem 1 sistem 0 1 media 1 sedia 1 sedia 0 1 layan 1 layan 1 layan 1 1 bagi 1 cari 1 cari 0 1 guna 2 dapat 1 dapat 0 1 oleh 2 buah 1 0 sumber 1 media 1 0 butuh 1 bagi 1 0 guna 2 0 oleh 2 0 sumber 1 0 butuh 1 0 b. Menghitung bobot term Setelah melakukan perhitungan term frequency (tf), maka tahap selanjtunya adalah perhitungan bobot pada masingmasing term.rumus idf adalah idf ) dimana N adalah jumlah dokumen sedangkan df adalah banyaknya dokumen yang mengandung suatu term tertentu. perhitungan bobot menggunakan persamaan rumus tf-idf yang seperti ini : Rumus ini digunakan apabila N df, sedangkan apabila N = df akan menyebabkan nilai idf menjadi nol (0) maka harus di tambah (+) dengan 1. Sehingga menjadi : Tabel 6Perhitungan Bobot antara term Term Frekuensi Dosen Frekuensi Mahasiswa df idf Bobot Dosen Bobot Mahsiswa Bobot Nilai temu kembali informasi sistem sedia layan cari dapat buah media bagi guna oleh sumber butuh c. Konversi data kedalam vector Setelah menghitung bobot antar term, langkah berikutnya adalah mengkonversi data tersebut ke dalam suatu bentuk model ruang vector (vector space model). Salah satu bentuk konversi ini adalah dengan menghitung panjang vector untuk masing masing dokumen. Berikut adalah tabel hasil perhitungan panjang vector untuk masingmasing term dalam dokumen kunci jawaban dan jawaban.
7 Tabel 7 Perhitungan panjang vector term Bobot Bobot Pj. Vektor Pj. Vektor Bobot Term Mahasisw Nilai Dosen Dosen Mahasiswa a temu kembali informasi sistem sedia layan cari dapat buah media bagi guna oleh sumber butuh SUM SQRT Langkah terakhir adalah menghitung kemiripan dokumen ( matching documents). Matching document adalah tahap dimana akan dilakukan perhitungan tingkat kemiripan ( similarity) antara dokumen kunci jawaban dan dokumen jawaban. Perhitungannya menggunakan metode Cosine Similarity. Rumus yang digunakan adalah sebagai berikut : Untuk nilai akhir mahasiswa didapat dari hasil perkalian nilai similarity dengan bobot soal yaitu Nilai akhir = CosineSimilarity * Bobot nilai = * 80= Sehingga, penilaian jawaban menggunakan algoritma TF-IDF memperoleh nilai dengan bobot soal 80. Hasil pengumpulan data menunjukkan bahwa nilai algoritma Levenhstein Distanceyaitu dan algoritma TF-IDF yaitu dengan menghitung salah satu contoh soal dan jawabannya serta memberikan bobot nilai dari perhitungan ini yaitu 80. b. Desain Sistem a. Diagram Konteks Berkut ini adalah Gambaran diagram konteks. Gambar 4 Diagram Konteks d. Penilaian Berdasarkan rumus diatas, maka jumlah nilai bobot yaitu 4, sedangkan = akar dari jumlah panjag vector kunci sebesar = dan adalah = = akar dari jumlah panjang vector jawaban sebesar sehingga nilai similarity-nya adalah =
8 c. Implementasi Dalam implementasi ini akan dilihat hasil rancangan yang dibuat berdasarkan coding aplikasi yang dapat dilihat dalam hasil interface berikut ini : 1. Tampilan Login Pada form login ini dapat digunakan oleh 3 pengguna, Admin, dosen dan mahasiswa serta login masing-masing sesuai akun yang diperoleh oleh pengguna. Gambar 11Tampilan menu dosen soal 4. Tampilan Menu Ujian Mahasiswa Pada tampilan menu ujian ini mahasiswa dapat menjawab soal apabila sesuai dengan waktu yang telah ditentukan. Jika setelah menjawab soal klik tombol krim jawaban. Berikut tampilan menu ujian mahasiswa : Gambar 12 Menu Ujian Mahasiswa Gambar 9 Tampilan menu login 5. Tampilan Hasil Ujian Pada tampilan menu hasil ujian, mahasiswa dapat melihat nilai hasil ujian. Hasil ujian ini menampilkan hasil perhitungan Algoritma. Gambar 13 Hasil Ujian 2. Tampilan Menu Dosen Ujian Ini adalah tampilan untuk membuat Ujian. Ujian dibuat berdasarkan jadwal yang diinginkan. Gambar 10Tampilan menu dosen 3. Tampilan dosen Soal Pada tampilan dosen dapat menginputkan soal yang akan dibuat pada ujian. Oleh karena ujian telah dibuat maka selanjutnya pembuatan soal. d. Analisis Pengujian Pada tahap analisis pengujian ini, setiap algoritma Levenshtein Distance dan algoritma TF-IDF akan dilakukan pengujian berdasarkan persentase error algoritma.untuk dapat menghitung persentase error maka skenario yang digunakan yaitu dengan menggunakan sampel 10 mahasiswa dan memberikan 4 contoh soal yang harus dijawab. Penilaian jawaban tanpa menggunakan algoritma diperoleh dari penilaian dosen yang bersangkutan dalam hal ini mata kuliah yang menjadi objek penelitian Rumus yang digunakan untuk mencari persentase error dengan cara ; nilai maksimal jawaban dikurangi hasil bagi antara nilai algoritma dengan nilai tanpa algoritma kemudian dikalikan 100%. Berikut adalah rumus persentase error:
9 NA NTA No = Nilai Algoritma = Nilai Tanpa Algoritma Nilai Persentase error adalah 0-100%. Apabila perhitungan persentase error diatas dari 100% maka persentase error tersebut dianggap bernilai 100%. Namum apabila nilai tanpa algoritma bernilai 0, maka untuk memperoleh persentase error bernilai 0, nilai algoritma juga harus bernilai 0. Jika persentase error tidak bernilai 0, maka persentase error dianggap bernilai 100%. Berikut hasil penilaian tanpa menggunakan algoritma Tabel 8 Hasil Penilaian Tanpa Algoritma No Nama Mahasiswa Nilai Tanpa Algoritma Berdasarkan Soal Mahasiswa Mahasiswa Mahasiswa Mahasiswa Mahasiswa Mahasiswa Mahasiswa Mahasiswa Mahasiswa Mahasiswa Hasil analisis pengujian algoritma Levenshtein Distance Hasil persentase error algoritma dapat dilihat pada table berikut. Tabel 9Persentase Error Penilaian Algoritma Levenshtein Distance Nilai Tanpa Algoritma Nilai Lev. Distanc. Soal Ke - Presentase Error % Total Eror % ,18 8,861 10, ,7 65, , ,59 4,81 12,727 6,522 82,05 51,9 57,58 73,91 66, ,44 8,608 8,5 9,273 70,37 56, , ,35 7,848 17,727 9,13 63,25 60,76 40,91 63,48 57, ,034 5,57 8, ,04 59,83 72,15 13,64 56,52 50, ,838 6,329 8,6364 6,522 65,81 68,35 71, , ,615 11,9 10,455 6,522 76,92 40,51 65,15 73,91 64, ,148 4,557 8,571 9,167 59,26 77,22 65,71 69,44 67, ,402 9,873 9, ,74 52,99 50,63 61, , ,641 5,316 5,9091 9,565 71,79 73,42 76, ,39406 Rerata Error Algoritma Levensgtein Distance % = 65,76693 Berdasarkan hasil analisis pengujian untuk perhitungan persentase nilai error algoritma Levenshtein Distancememperoleh nilai error rata-rata 65,76693%. Hasil ini menunjukkan bahwa setiap penilaian jawaban esai menggunakan algoritma Levenshtein Distancememperolehnilai yang rata-rata rendah dengan nilai tanpa menggunakan algoritma. 2. Hasil analisis pengujian algoritma TF-IDF Hasil persentase error algoritma TF- IDF dapat dilihat pada table berikut : Tabel 10Persentase Error Penilaian Algoritma TF-IDF No Nilai Tanpa Algoritma Nilai TF-IDF Soal Ke - Presentase Error % Total Eror % ,7 18,598 25,157 24, ,012 16, , ,6 16,407 24,833 23,831 22,2 0 17,22 4,677 11, ,008 12,586 18, ,96 49, , ,12 17,921 28,108 16,165 14,38 10,39 6,305 35,34 16, ,04 18,402 22,995 24,476 9,824 7, ,41 9, ,33 17,893 22,55 14,095 28,37 10,54 24, , ,69 19,136 24,833 18,825 36,53 4,318 17,22 24,7 20, ,52 15,542 23,824 17,415 12,4 22,29 4,706 41,95 20, ,02 19,151 17,789 22,031 9,924 4,245 28, , ,49 17,472 23,971 23,723 17,57 12,64 4, ,58016 Rerata Error Algoritma TF-IDF % = 30,7418 Berdasarkan hasil analisis pengujian untuk perhitungan persentase nilai error algoritma TF-IDFmemperoleh nilai error rata-rata %. Hasil ini menunjukkan bahwa setiap penilaian jawaban esai menggunakan algoritma TF- IDF memperolehnilai yang rata-rata sama dengan nilai tanpa menggunakan algoritma. 2. Pembahasan Berdasarkan hasil penelitian yang dilakukan, algoritma Levenshtein Distance dan TF-IDF dapat diterapkan pada sistem penilaian jawaban esai. Ini dibuktikan dengan hasil yang diperoleh berdasarkan perhitungan masing-masing algoritma dengan terlebih dahulu melakukan preprosesing terhadap jawaban dan kunci jawaban. Hasil yang diperoleh masingmasing algoritma berbeda karena cara kerja algoritma itu sendiri. Algoritma TF-IDF mendapatkan nilai yang lebih tinggi yaitu karena melakukan perhitungan atau penilaian berdasarkan jumlah kemunculan kata. Semakin banyak kata yang muncul dalam dokumen, maka tinggkat kemiripan semakin tinggi. Berbeda
10 dengan algoritma Levenshtein Distance. Algoritma ini mendapatkan nilai yaitu dengan melakukan perhitungan atau penilaian berdasarkan keterbedaan huruf antara jawaban dan kunci jawaban. Semakin banyak perubahan atau perbedaan huruf antar dokumen maka tingkat kemiripan semakin rendah. Sebaliknya, apabila semakin sedikit perubahan atau perbedaan huruf antar dokumen maka tingkat kemiripan semakin tinggi. Setelah mendapatkan hasil dari setiap algoritma, selanjutnya melakukan pengujian setiap algoritma berdasarkan persetanse error dari setiap algoritma. Pada hasil analisis pengujian menunjukkan bahwa nilai persentase error algoritma TF- IDF lebih sedikit yaitu 30,7418% dan persentase error algoritma Levenshtein Distance yakni 65,76693%. Tabel 11 Hasil pengujian persentase error algoritma Error Algoritma No Algoritma % 1 Levenshtein Distance 65, TF-IDF 30,7418 Berdasarkan data pada tabel diatas dapat diketahui bahwa algoritma TF-IDF setelah dilakukan pengujian berdasarkan persentase error memperoleh nilai yaitu 30,7418%. Untuk algoritma Levenhstein Distance setelah dilakukan pengujian berdasarkan persentase error memperoleh nilai 65,76693% yang diujicobakan pada penilaian jawaban esai dengan sampel 10 mahasiswa, serta menggunakan 4 contoh soal (Nangili, 2014). 5. KESIMPULAN DAN SARAN 1. Kesimpulan Berdasarkan hasil penelitian perbandingan algoritma Levenshtein dan TF-IDF untuk penilaian jawaban esai, maka dapat disimpulkan : a. Algoritma Lenveshtein Distance dan TF- IDF dapat digunakan untuk melakukan penilaian jawaban esai. b. Hasil yang diperoleh dari perhitungan contoh soal dan jawaban esai sebelum diimplementasi dalam program sama hasilnya setelah diimplementasikan dalam program yaitu algoritma TF-IDF mendapatkan nilai dari bobot soal 80 dan algoritma Levenshtein Distance dengan bobot yang sama pada tahap pengumpulan data. c. Hasil analisis pengujian algoritma TF- IDF memperoleh nilai persentase error dengan jumlah 30,7418% dari 10 sampel mahasiswa dengan 4 contoh soal yang membuktikan bahwa algoritma ini baik untuk diterapkan dalam penilaian jawaban esai karena memperoleh nilai perhitungan algoritma rata-rata sama dengan nilai tanpa menggunakan algoritma. d. Hasil analisis pengujian algoritma Levenshtein Distance memperoleh persentase error dengan jumlah 65,76693% dari 10 sampel mahasiswa dengan 4 contoh soal. Algoritma ini juga bias diterapakan pada penilaian jawaban esai akan tetapi rata-rata nilai perhitungan algoritma yang diperoleh lebih rendah dengan nilai tanpa algoritma. e. Algoritma TF-IDF dapat menghitung similarity tanpa melihat struktur ataupun susunan dari beberapa kata, sementara algoritma Levenshtein Distance dapat menghitung similarity berdasarkan urutan huruf atau karakter dalam sebuah string. f. Kata-kata di dalam kunci jawaban sangat berpengaruh terhadap pemilihan kata yang dianggap sebagai keyword, sehingga mempengaruhi penilaian sistem. 2. Saran Pada penelitian ini masih terdapat kekurangan oleh karena itu peneliti mengharapkan agar hasil penelitian ini dapat dikembangkan lebih lanjut, adapun saran yang dapat diberikan untuk penelitian lebih selanjutnya antara lain: a. Dalam penelitian ini, teks kunci jawaban diusahakan menggunakan katakata yang relevan dan tidak mengandung kata-kata bias yang dianggap sebagai jawaban benar agar kata-kata tersebut menjadi kata kunci yang baik.
11 b. Penelitian ini dapat dikembangkan dengan membuat persamaan untuk katakata yang memiliki makna sama, menambahkan autocorrect untuk kesalahan penulisan jawaban, membedakan kalimat baik aktif maupun pasif, serta mengitung persamaan kata berdasarkan strukur kalimat. c. Lebih lanjut, aplikasi yang telah dibuat agar supaya ditambahkan sebuah bank soal yang memungkinkan untuk penyimpanan berbagai macam soal dan jawaban agar pembuat soal tidak lagi mencari-cari soal yang akan dibuat. Zafikri, A Implementasi Metode Term Frequency Inverse Document Frequency (TF -IDF) pada Sistem Temu Kembali Informasi, Medan : Universitas Sumatra Utara. REFERENSI Adam S Penilaian Ujian Bertipe Uraian ( essay) menggunakan Metode Kemiripan Teks ( Text Similarity). [Skripsi] diterbitkan. Surakarta : Universitas Sebelas Maret. Deddy W Sistem Penilaian Otomatis Kemiripan Kalimat Menggunakan Syntactic-Semantic Similarity Pada Sistem E-Learning, Jurnal Ilmiah Kursor,(Online),Vol.5,No.2,( kursor.trunojoyo.ac.id/wpcontent/u ploads/2012/02/vol5_no2_p1.pd f, diakses 20 Maret 2014). Emzir Metodologi Penelitian Kuantitatif dan Kualitatif (Edisi Revisi). Jakarta : Rajawali Pers. Muhamad Z. N Sistem Penilaian Otomatis Esai Menggunakan Algortima Levenshtein Distance, Jurnal Komputer. (Online),( download/article/file/dr , diakses 14 Februari 2014) Nangii S Pengujian Algoritma Levenshtein Distance dan Algoritma Term Frequency Inverse Document Frequency (TF-IDF) untuk Peniaian Esai. [Skripsi] tidak diterbitkan. Gorontalo : Universitas Negeri Gorontalo.
SISTEM PENCARIAN PASAL-PASAL PADA KITAB UNDANG-UNDANG HUKUM PIDANA DENGAN MENGGUNAKAN METODE TF-IDF. Abstrak
SISTEM PENCARIAN PASAL-PASAL PADA KITAB UNDANG-UNDANG HUKUM PIDANA DENGAN MENGGUNAKAN METODE TF-IDF Muh. Alfarisi Ali¹, Moh. Hidayat Koniyo², Abd. Aziz Bouty³ ¹Mahasiswa Teknik Informatika Universitas
Lebih terperinciImplementasi Algoritma Term Frequency Inverse Document Frequency dan Vector Space Model untuk Klasifikasi Dokumen Naskah Dinas
Implementasi Algoritma Term Frequency Inverse Document Frequency dan Vector Space Model untuk Klasifikasi Dokumen Naskah Dinas A. Achmad 1, A. A. Ilham 2, Herman 3 1 Program Studi Teknik Elektro, Jurusan
Lebih terperinciPENILAIAN UJIAN BERTIPE URAIAN (ESSAY) MENGGUNAKAN METODE KEMIRIPAN TEKS (TEXT SIMILARITY) SKRIPSI
PENILAIAN UJIAN BERTIPE URAIAN (ESSAY) MENGGUNAKAN METODE KEMIRIPAN TEKS (TEXT SIMILARITY) SKRIPSI Disusun Oleh : ADAM ASSHIDIQ M0509001 JURUSAN INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciPENDAHULUAN. Latar belakang
Latar belakang PEDAHULUA Kata kunci atau yang biasa disebut dengan query pada pencarian informasi dari sebuah search engine digunakan sebagai kriteria pencarian yang tepat dan sesuai dengan kebutuhan.
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI PENCARIAN INFORMASI BEASISWA DENGAN MENGGUNAKAN COSINE SIMILARITY
Vol. 4, No. 2 Desember 2014 ISSN 2088-2130 PERANCANGAN DAN PEMBUATAN APLIKASI PENCARIAN INFORMASI BEASISWA DENGAN MENGGUNAKAN COSINE SIMILARITY Andry Kurniawan, Firdaus Solihin, Fika Hastarita Prodi Teknik
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tes Secara harfiah kata tes berasal dari kata bahasa prancis kuno: testum yang berarti piring untuk menyisihkan logam-logam mulia, dalam bahasa Indonesia diterjemahkan dengan
Lebih terperinciBAB II DASAR TEORI Crawler Definisi Focused Crawler dengan Algoritma Genetik [2]
BAB II DASAR TEORI Pada bab ini dibahas teori mengenai focused crawler dengan algoritma genetik, text mining, vector space model, dan generalized vector space model. 2.1. Focused Crawler 2.1.1. Definisi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Tinjauan Penelitian Terdahulu Penelitian sebelumnya dilakukan oleh Rahmatulloh (2016). Penelitian yang berjudul Rancang Bangun Sistem Informasi Pencarian Benda Hilang Lost &
Lebih terperinciIMPLEMENTASI METODE TERM FREQUENCY INVERSED DOCUMENT FREQUENCE (TF-IDF) DAN VECTOR SPACE MODEL PADA APLIKASI PEMBERKASAN SKRIPSI BERBASIS WEB
IMPLEMENTASI METODE TERM FREQUENCY INVERSED DOCUMENT FREQUENCE (TF-IDF) DAN VECTOR SPACE MODEL PADA APLIKASI PEMBERKASAN SKRIPSI BERBASIS WEB Abdul Rokhim 1), Achmad ainul yaqin 2) 1) Program Studi/Prodi
Lebih terperinciTEKNIK VECTOR SPACE MODEL (VSM) DALAM PENENTUAN PENANGANAN DAMPAK GAME ONLINE PADA ANAK
F.13 TEKNIK VECTOR SPACE MODEL (VSM) DALAM PENENTUAN PENANGANAN DAMPAK GAME ONLINE PADA ANAK Bania Amburika 1*,Yulison Herry Chrisnanto 1, Wisnu Uriawan 2 1 Jurusan Informatika, Fakultas MIPA, Universitas
Lebih terperinciPERSETUJUAI\ ARTIKEL ILMIAH. Mashar Eka Putra Dai. S1-Sistem Informasi. Teknik Informatika. Teknik. Penerapan Metode Document Frequency
PERSETUJUAI\ ARTIKEL ILMIAH Artikel ilmiah hasil penelitian mahasiswa: Nama NIM Mashar Eka Putra Dai 53 1409036 Program Studi S1-Sistem Informasi Jurusan Teknik Informatika Fakultas Teknik Judul Karya
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Semakin canggihnya teknologi di bidang komputasi dan telekomunikasi pada masa kini, membuat informasi dapat dengan mudah didapatkan oleh banyak orang. Kemudahan ini
Lebih terperinciABSTRAK. Kata kunci : Information Retrieval system, Generalized Vector Space Model. Universitas Kristen Maranatha
ABSTRAK Information retrieval (IR) system adalah sistem yang secara otomatis melakukan pencarian atau penemuan kembali informasi yang relevan terhadap kebutuhan pengguna. Kebutuhan pengguna, diekspresikan
Lebih terperinciRANCANG BANGUN SISTEM TEMU KEMBALI INFORMASI ABSTRAK TUGAS AKHIR MAHASISWA PRODI TEKNIK INFORMATIKA UNSOED Oleh : Lasmedi Afuan
RANCANG BANGUN SISTEM TEMU KEMBALI INFORMASI ABSTRAK TUGAS AKHIR MAHASISWA PRODI TEKNIK INFORMATIKA UNSOED Oleh : Lasmedi Afuan Prodi Teknik Informatika, Fakultas Sains dan Teknik, Universitas Jenderal
Lebih terperinciINFORMATION RETRIEVAL SYSTEM PADA PENCARIAN FILE DOKUMEN BERBASIS TEKS DENGAN METODE VECTOR SPACE MODEL DAN ALGORITMA ECS STEMMER
INFORMATION RETRIEVAL SSTEM PADA PENCARIAN FILE DOKUMEN BERBASIS TEKS DENGAN METODE VECTOR SPACE MODEL DAN ALGORITMA ECS STEMMER Muhammad asirzain 1), Suswati 2) 1,2 Teknik Informatika, Fakultas Teknik,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. jenis dokumen, yaitu dokumen training dan dokumen uji. Kemudian dua
BAB IV HASIL DAN PEMBAHASAN 4.1. Dokumen yang digunakan Pada penelitian yang dilakukan oleh penulis ini menggunakan dua jenis dokumen, yaitu dokumen training dan dokumen uji. Kemudian dua jenis dokumen
Lebih terperinciSISTEM TEMU KEMBALI INFORMASI
SISTEM TEMU KEMBALI INFORMASI ROCCHIO CLASSIFICATION Badrus Zaman, S.Si., M.Kom Doc. 1..???? Doc. 2..**** Doc. 3. #### Doc. 4..@@@ 081211633014 Emilia Fitria Fahma S1 Sistem Informasi Pengertian Teknik
Lebih terperinciKLASIFIKASI DOKUMEN NASKAH DINAS MENGGUNAKAN ALGORITMA TERM FREQUENCY INVERSED DOCUMENT FREQUENCY DAN VECTOR SPACE MODEL
KLASIFIKASI DOKUMEN NASKAH DINAS MENGGUNAKAN ALGORITMA TERM FREQUENCY INVERSED DOCUMENT FREQUENCY DAN VECTOR SPACE MODEL MANUSCRIPT DOCUMENT CLASSIFICATION ALGORITHM USING THE OFFICE OF TERM FREQUENCY
Lebih terperinciBAB I PENDAHULUAN. penunjang Al-Quran untuk memudahkan untuk mempelajarinya, yang bisa
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dengan kemajuan teknologi yang sangat pesat ini sudah banyak aplikasi penunjang Al-Quran untuk memudahkan untuk mempelajarinya, yang bisa disebut atau di artikan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Sistem Rekomendasi Sistem rekomendasi adalah sebuah sistem yang dibangun untuk mengusulkan informasi dan menyediakan fasilitas yang diinginkan pengguna dalam membuat suatu keputusan
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN 4.1 Analisa Sistem Lama Pada sistem peringkasan dokumen sebelumnya sistem sudah bisa dijalankan namun masih adanya kekurangan pada sistem tersebut yaitu penginputan dokumen
Lebih terperinciMENENTUKAN NILAI TES ESAI ONLINE MENGGUNAKAN ALGORITMA LATENT SEMANTIC ANALYSIS (LSA) DENGAN PEMBOBOTAN TERM FREQUENCY/ INVERSE DOCUMENT FREQUENCY
MENENTUKAN NILAI TES ESAI ONLINE MENGGUNAKAN ALGORITMA LATENT SEMANTIC ANALYSIS (LSA) DENGAN PEMBOBOTAN TERM FREQUENCY/ INVERSE DOCUMENT FREQUENCY SKRIPSI FAKHREZA AKBAR 071401014 PROGRAM STUDI S1 ILMU
Lebih terperinciPemanfaatan Metode Vector Space Model dan Metode Cosine Similarity pada Fitur Deteksi Hama dan Penyakit Tanaman Padi
Pemanfaatan Metode Vector Space Model dan Metode Cosine Similarity pada Fitur Deteksi Hama dan Penyakit Tanaman Padi Ana Triana Informatika, Fakultas MIPA, Universitas Sebelas Maret Surakarta Jl. Ir. Sutami
Lebih terperinciPERANCANGAN CLIENT DENGAN PENGKLASIFIKASIAN MENGGUNAKAN ALGORITMA VECTOR SPACE MODEL SKRIPSI MOSES CHRISTIAN
PERANCANGAN EMAIL CLIENT DENGAN PENGKLASIFIKASIAN EMAIL MENGGUNAKAN ALGORITMA VECTOR SPACE MODEL SKRIPSI MOSES CHRISTIAN 081402050 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
Lebih terperinciAPLIKASI PENGKATEGORIAN DOKUMEN DAN PENGUKURAN TINGKAT SIMILARITAS DOKUMEN MENGGUNAKAN KATA KUNCI PADA DOKUMEN PENULISAN ILMIAH UNIVERSITAS GUNADARMA
APLIKASI PENGKATEGORIAN DOKUMEN DAN PENGUKURAN TINGKAT SIMILARITAS DOKUMEN MENGGUNAKAN KATA KUNCI PADA DOKUMEN PENULISAN ILMIAH UNIVERSITAS GUNADARMA Adhit Herwansyah Jurusan Sistem Informasi, Fakultas
Lebih terperinciBAB II LANDASDAN TEORI
DAFTAR ISI HALAMAN SAMPUL... HALAMAN JUDUL... i LEMBAR PERSETUJUAN... ii LEMBAR PENGESAHAN... iii MOTTO DAN PERSEMBAHAN... iv LEMBAR KEASLIAN... v HALAMAN PERNYATAAN PUBLIKASI... vi ABSTAKSI... vii ABSTRACT...
Lebih terperinciBAB I PENDAHULUAN I.1. Latar Belakang Masalah
BAB I PENDAHULUAN I.1. Latar Belakang Masalah Dalam era teknologi seperti saat ini, informasi berupa teks sudah tidak lagi selalu tersimpan dalam media cetak seperti kertas. Orang sudah mulai cenderung
Lebih terperinciJurnal Aksara Komputer Terapan Politeknik Caltex Riau Vol. 1, No. 2, Tahun
Vol. 1, No. 2, Tahun 2012 15 Jurnal Aksara Komputer Terapan Politeknik Caltex Riau Website : http://jurnal.pcr.ac.id/index.php/jakt/about/index Email : pustaka@pcr.ac.id Aplikasi Pendeteksi Plagiat dengan
Lebih terperinciPERANCANGAN DAN IMPLEMENTASI SISTEM REKOMENDASI PENCARIAN BUKU PERPUSTAKAAN MENGGUNAKAN METODE VECTOR SPACE MODEL
PERANCANGAN DAN IMPLEMENTASI SISTEM REKOMENDASI PENCARIAN BUKU PERPUSTAKAAN MENGGUNAKAN METODE VECTOR SPACE MODEL (Studi Kasus Perpustakaan Universitas Udayana) LEMBAR JUDUL KOMPETENSI RPL SKRIPSI NI MADE
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Ketersediaan informasi yang semakin banyak menjadikan ringkasan sebagai kebutuhan yang sangat penting (Mulyana, 2010). Menurut (Hovy, 2001) Ringkasan merupakan teks
Lebih terperinciImplementasi Vector Space Model dalam Pembangkitan Frequently Asked Questions Otomatis dan Solusi yang Relevan untuk Keluhan Pelanggan
Scientific Journal of Informatics Vol. 2, No. 2, November 2015 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Implementasi Vector Space Model dalam Pembangkitan Frequently
Lebih terperinciBAB III METODELOGI PENELITIAN
BAB III METODELOGI PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan yaitu metode eksperimental dimana metode ini bekerja dengan memanipulasi dan melakukan kontrol pada objek penelitian
Lebih terperinciPENDAHULUAN. 1.1 Latar Belakang
DAFTAR TABEL Tabel 3-1 Dokumen Term 1... 17 Tabel 3-2 Representasi... 18 Tabel 3-3 Centroid pada pengulangan ke-0... 19 Tabel 3-4 Hasil Perhitungan Jarak... 19 Tabel 3-5 Hasil Perhitungan Jarak dan Pengelompokkan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Penelitian Terkait 2.1.1. Implementasi Opinion Mining Pernah dilakukan penelitian tentang opinion mining membahas tentang ekstraksi data opini publik pada perguruan tinggi.
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Buku merupakan media informasi yang memiliki peran penting dalam perkembangan ilmu pengetahuan, karena dengan buku kita dapat memperoleh banyak informasi, pengetahuan
Lebih terperinciROCCHIO CLASSIFICATION
DOSEN PEMBIMBING : Badriz Zaman, S.Si., M.Kom. 081211632016 S-1 SISTEM INFORMASI UNIVERSITAS AIRLANGGA 1 Informastion retieval system merupakan sebuah sistem yang digunakan untuk mengambil kembali informasi
Lebih terperinciABSTRAK. Kata kunci : Informasi, Information Retreival, Ant Colony Optimization, Graph, Fitur dokumen. vii
ABSTRAK Untuk mendapatkan sebuah informasi pada saat ini sangatlah mudah. Dengan adanya internet orang dengan mudah untuk berbagi informasi. Informasi yang dibagikan biasanya dalam bentuk dokumen, artikel,
Lebih terperinciPENGUNAAN METODE COSINESIMILARITY PADA SISTEM PENGELOMPOKAN KERJA PRAKTEK, TUGAS AKHIR DAN SKRIPSI
ISSN : 338-418 PENGUNAAN METODE COSINESIMILARITY PADA SISTEM PENGELOMPOKAN KERJA PRAKTEK, TUGAS AKHIR DAN SKRIPSI Randy Agung Wibowo (agung.wbowo9@gmail.com) Didik Nugroho (masdidiknugroho@gmail.com) Bebas
Lebih terperinciBAB I PENDAHULUAN. pendidikan, perbankan, perencanaan dan sebagainya. Dengan adanya teknologi komputer
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Di era globalisasi seperti sekarang ini, perkembangan teknologi komputer berpengaruh besar pada tingkat kebutuhan manusia di berbagai bidang seperti bidang
Lebih terperinciPERBANDINGAN METODE COSINE SIMILARITY DENGAN METODE JACCARD SIMILARITY PADA APLIKASI PENCARIAN TERJEMAH AL-QUR AN DALAM BAHASA INDONESIA
PERBANDINGAN METODE COSINE SIMILARITY DENGAN METODE JACCARD SIMILARITY PADA APLIKASI PENCARIAN TERJEMAH AL-QUR AN DALAM BAHASA INDONESIA Ogie Nurdiana 1, Jumadi 2, Dian Nursantika 3 1,2,3 Jurusan Teknik
Lebih terperinciJurnal Ilmiah Sains, Teknologi, Ekonomi, Sosial dan Budaya Vol. 1 No. 4 Desember 2017
TEXT MINING DALAM PENENTUAN KLASIFIKASI DOKUMEN SKRIPSI DI PRODI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER BERBASIS WEB Teuku Muhammad Johan dan Riyadhul Fajri Program Studi Teknik Informatika Fakultas
Lebih terperinciPENCARIAN FULL TEXT PADA KOLEKSI SKRIPSI FAKULTAS TEKNIK UHAMKA MENGGUNAKAN METODE VECTOR SPACEMODEL
Vol. 2, 2017 PENCARIAN FULL TEXT PADA KOLEKSI SKRIPSI FAKULTAS TEKNIK UHAMKA MENGGUNAKAN METODE VECTOR SPACEMODEL Miftahul Ari Kusuma 1*, Mia Kamayani 2, Arry Avorizano 3 Program Studi Teknik Informatika,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Pada bab ini dijelaskan tentang langkah-langkah yang digunakan untuk membahas permasalahan pada penelitian ini. Gambar berikut ini menjelaskan tahapan yang dilakukan dalam
Lebih terperinciBAB 1 PENDAHULUAN UKDW
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan ilmu pengetahuan yang pesat dewasa ini telah mendorong permintaan akan kebutuhan informasi ilmu pengetahuan itu sendiri. Cara pemenuhan kebutuhan
Lebih terperinciPemodelan Penilaian Essay Otomatis Secara Realtime Menggunakan Kombinasi Text Stemming Dan Cosine Similarity
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Pemodelan Penilaian Essay Otomatis Secara Realtime Menggunakan Kombinasi Text Stemming Dan Cosine Similarity Komang Rinartha
Lebih terperinciKLASIFIKASI DATA PENGADUAN MASYARAKAT PADA LAMAN PESDUK CIMAHI MENGGUNAKAN ROCCHIO
F.15 KLASIFIKASI DATA PENGADUAN MASYARAKAT PADA LAMAN PESDUK CIMAHI MENGGUNAKAN ROCCHIO Khusnul Khuluqiyah *, Tacbir Hendro Pudjiantoro, Agung Wahana Program Studi Informatika, Fakultas Matematika dan
Lebih terperinciBAB 3 LANDASAN TEORI
BAB 3 LANDASAN TEORI 3.1 Text Mining Text mining merupakan suatu teknologi untuk menemukan suatu pengetahuan yang berguna dalam suatu koleksi dokumen teks sehingga diperoleh tren, pola, atau kemiripan
Lebih terperinciDAFTAR ISI. SKRIPSI... ii
DAFTAR ISI SKRIPSI... i SKRIPSI... ii HALAMAN PENGESAHAN... ii PERNYATAAN... iii HALAMAN MOTO DAN PERSEMBAHAN... iv PRAKATA... v DAFTAR ISI... vii DAFTAR GAMBAR... x DAFTAR TABEL... xiii INTISARI... xiv
Lebih terperinciBAB 3 LANDASAN TEORI
BAB 3 LANDASAN TEORI 3.1 Twitter API Application Programming Interface (API) merupakan fungsi-fungsi/perintah-perintah untuk menggantikan bahasa yang digunakan dalam system calls dengan bahasa yang lebih
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Information Retrieval System Sistem temu kembali informasi ( information retrieval system) merupakan sistem yang dapat digunakan untuk menemukan informasi yang relevan dengan
Lebih terperinciJurnal Aksara Komputer Terapan Politeknik Caltex Riau Vol. 4, No. 1, Tahun
Vol. 4, No. 1, Tahun 2015 61 Jurnal Aksara Komputer Terapan Politeknik Caltex Riau Website : https://jurnal.pcr.ac.id/index.php/jakt/about Email : pustaka@pcr.ac.id Sistem Pendeteksi Kemiripan Proyek Akhir
Lebih terperinciBAB I. Pendahuluan. 1. Latar Belakang Masalah
BAB I Pendahuluan 1. Latar Belakang Masalah Semakin canggihnya teknologi di bidang komputasi dan telekomunikasi pada masa kini, membuat informasi dapat dengan mudah didapatkan oleh banyak orang. Kemudahan
Lebih terperinciJURNAL ITSMART Vol 4. No 2. Desember 2015 ISSN :
Analisis Perbandingan Metode Vector Space Model dan Weighted Tree Similarity dengan Cosine Similarity pada kasus Pencarian Informasi Pedoman Pengobatan Dasar di Puskesmas Viko Basmalah Wicaksono Jurusan
Lebih terperinciSistem Temu Kembali Informasi pada Dokumen Teks Menggunakan Metode Term Frequency Inverse Document Frequency (TF-IDF)
Sistem Temu Kembali Informasi pada Dokumen Teks Menggunakan Metode Term Frequency Inverse Document Frequency (TF-IDF) 1 Dhony Syafe i Harjanto, 2 Sukmawati Nur Endah, dan 2 Nurdin Bahtiar 1 Jurusan Matematika,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kemajuan teknologi informasi dan komunikasi tidak hanya membawa dampak positif, tetapi juga membawa dampak negatif, salah satunya adalah tindakan plagiarisme (Kharisman,
Lebih terperinciAPLIKASI PENILAIAN UJIAN ESSAY OTOMATIS MENGGUNAKAN METODE COSINE SIMILARITY. Rahimi Fitri 1, Arifin Noor Asyikin 2
APLIKASI PENILAIAN UJIAN ESSAY OTOMATIS MENGGUNAKAN METODE COSINE SIMILARITY Rahimi Fitri 1, Arifin Noor Asyikin 2 mahaluddin@yahoo.com (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin
Lebih terperinciSistem Informasi Tugas Akhir Menggunakan Model Ruang Vektor (Studi Kasus: Jurusan Sistem Informasi)
Sistem Informasi Tugas Akhir Menggunakan Model Ruang Vektor (Studi Kasus: Jurusan Sistem Informasi) Wahyudi,MT Laboratorium Sistem Informasi Fakultas Sains dan Teknologi UINSUSKA RIAU Jl.HR.Subrantas KM.15
Lebih terperinciIMPLEMENTASI VECTOR SPACE MODEL DAN BEBERAPA NOTASI METODE TERM FREQUENCY INVERSE DOCUMENT FREQUENCY (TF-IDF) PADA SISTEM TEMU KEMBALI INFORMASI
IMPLEMENTASI VECTOR SPACE MODEL DAN BEBERAPA NOTASI METODE TERM FREQUENCY INVERSE DOCUMENT FREQUENCY (TF-IDF) PADA SISTEM TEMU KEMBALI INFORMASI Oka Karmayasa dan Ida Bagus Mahendra Program Studi Teknik
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI II.1 Text Mining Text Mining merupakan penerapan konsep dan teknik data mining untuk mencari pola dalam teks, proses penganalisaan teks guna menemukan informasi yang bermanfaat untuk
Lebih terperinci1.5 Metode Penelitian
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam perkembangan teknologi internet yang semakin maju ini kita dapat mengakses dokumen, buku dan majalah mulai dari bahasa asing sampai bahasa daerah yang
Lebih terperinciPERINGKASAN TEKS OTOMATIS DOKUMEN BAHASA INDONESIA DENGAN ALGORITMA GENETIKA LEMBAR JUDUL KOMPETENSI REKAYASA PERANGKAT LUNAK SKRIPSI
PERINGKASAN TEKS OTOMATIS DOKUMEN BAHASA INDONESIA DENGAN ALGORITMA GENETIKA LEMBAR JUDUL KOMPETENSI REKAYASA PERANGKAT LUNAK SKRIPSI LUH GEDE PUTRI SUARDANI NIM. 1208605018 PROGRAM STUDI TEKNIK INFORMATIKA
Lebih terperinciIMPLEMENTASI K NEAREST NEIGHBOR (KNN) PADA KLASIFIKASI ARTIKEL WIKIPEDIA INDONESIA
IMPLEMENTASI K NEAREST NEIGHBOR (KNN) PADA KLASIFIKASI ARTIKEL WIKIPEDIA INDONESIA Erik Hardiyanto 1, Faisal Rahutomo 2, Dwi Puspitasari 3 Jurusan Teknologi Informasi, Program Studi Teknik Informatika,
Lebih terperinciPERINGKASAN TEKS BERITA SECARA OTOMATIS MENGGUNAKAN TERM FREQUENCY INVERSE DOCUMENT FREQUENCY (TF-IDF) SKRIPSI DANDUNG TRI SETIAWAN
PERINGKASAN TEKS BERITA SECARA OTOMATIS MENGGUNAKAN TERM FREQUENCY INVERSE DOCUMENT FREQUENCY (TF-IDF) SKRIPSI DANDUNG TRI SETIAWAN 071402054 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN
Lebih terperinciPemanfaatan Aljabar Vektor Pada Mesin Pencari
Pemanfaatan Aljabar Vektor Pada Mesin Pencari Anwar Ramadha 13514013 Program Studi Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia
Lebih terperinciIMPLEMENTASI VECTOR SPACE MODEL UNTUK MENINGKATKAN KUALITAS PADA SISTEM PENCARIAN BUKU PERPUSTAKAAN
Seminar Nasional Informatika 205 IMPLEMENTASI VECTOR SPACE MODEL UNTUK MENINGKATKAN KUALITAS PADA SISTEM PENCARIAN BUKU PERPUSTAKAAN Dedi Leman, Khusaeri Andesa 2 Teknik Informasi, Magister Komputer, Universitas
Lebih terperinciJurnal Coding, Sistem Komputer Untan Volume 04, No.1 (2016), hal ISSN : x
APLIKASI PENDETEKSI PLAGIAT TERHADAP KARYA TULIS BERBASIS WEB MENGGUNAKAN NATURAL LANGUAGE PROCESSING DAN ALGORITMA KNUTH-MORRIS-PRATT [1] Rio Alamanda, [2] Cucu Suhery, [3] Yulrio Brianorman [1][2][3]
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1. Analisis Masalah Setiap tahunnya, DPP Infokom selaku panitia Pelatihan Aplikasi Teknologi dan Informasi (PATI) Universitas Muhammadiyah Malang menerima ribuan
Lebih terperinciIntegrasi Peringkas Dokumen Otomatis Dengan Penggabungan Metode Fitur dan Metode Latent Semantic Analysis (LSA) Sebagai Feature Reduction
Integrasi Peringkas Dokumen Otomatis Dengan Penggabungan Metode Fitur dan Metode Latent Semantic Analysis (LSA) Sebagai Feature Reduction Junta Zeniarja 1, Abu Salam 2, Ardytha Luthfiarta 3, L Budi Handoko
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Dewasa ini, untuk mengukur pemahaman seseorang terhadap suatu materi yang diberikan sebelumnya, berbagai tes untuk mengukur pemahaman tersebut telah banyak
Lebih terperinciPROGRAM BANTU PEMILIHAN LAGU PUJIAN BERDASARKAN TEMA KEBAKTIAN DENGAN MENGGUNAKAN METODE COSINUS SIMILARITY Studi Kasus: GKI Ngupasan
PROGRAM BANTU PEMILIHAN LAGU PUJIAN BERDASARKAN TEMA KEBAKTIAN DENGAN MENGGUNAKAN METODE COSINUS SIMILARITY Studi Kasus: GKI Ngupasan Hanto Harianto Kristanto Abstrak Pertimbangan untuk menentukan lagu
Lebih terperinciBAB III PERANCANGAN. Fitur. Reduksi & Pengelompokan. Gambar 3.1. Alur Pengelompokan Dokumen
BAB III PERANCANGAN Pada bab ini akan delaskan tahapan yang dilalui dalam melakukan perancangan penelitian yang akan dilakukan dalam tugas akhir ini. Tahapan tersebut meliputi perancangan implementasi
Lebih terperinciPerbandingan Penggunaan Algoritma Cosinus dan Wu Palmer untuk Mencari Kemiripan Kata dalam Plagiarism Checker
Perbandingan Penggunaan Algoritma Cosinus dan Wu Palmer untuk Mencari Kemiripan Kata dalam Plagiarism Checker 1 Aslihatul Millah, 2 Siti Nurazizah 1,2 Program Studi Sistem Informasi, Fakultas Sains dan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Kata Pengertian kata secara sederhana adalah sekumpulan huruf yang mempunyai arti. Dalam kamus besar bahasa indonesia (KBBI) pengertian kata adalah unsur bahasa yang diucapkan
Lebih terperinciImplementasi Algoritma Levenshtein Pada Sistem Pencarian Judul Skripsi/Tugas Akhir
46 JURNAL SISTEM DAN INFORMATIKA Implementasi Algoritma Levenshtein Pada Sistem Pencarian Judul Skripsi/Tugas Akhir Ida Bagus Ketut Surya Arnawa STIKOM Bali Jl.Raya Puputan No. 86 Renon, Denpasar-Bali
Lebih terperinciAPLIKASI DETEKSI KEMIRIPAN TUGAS PAPER
APLIKASI DETEKSI KEMIRIPAN TUGAS PAPER Anthony Anggrawan 1, Azhari 2, 1 Tenaga Pengajar Teknik Informatika STMIK Bumigora Mataram 2 Mahasiswa Teknik Informatika STMIK Bumigora Mataram Jl Ismail Marzuki,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan sistematika tahap-tahap yang dilaksanakan dalam pembuatan tugas akhir. Adapun tahapan yang dilalui dalam pelaksanaan penelitian ini adalah
Lebih terperinciBAB II TINJAUAN PUSTAKA
7 BAB II TINJAUAN PUSTAKA A. Tinjauan Pustaka Penelitian-penelitian yang pernah dilakukan di bidang information retrieval telah memunculkan berbagai metode pembobotan dan clustering untuk mengelompokkan
Lebih terperinciINFORMATION RETRIEVAL TUGAS AKHIR DAN PERHITUNGAN KEMIRIPAN DOKUMEN MENGACU PADA ABSTRAK MENGGUNAKAN VECTOR SPACE MODEL
INFORMATION RETRIEVAL TUGAS AKHIR DAN PERHITUNGAN KEMIRIPAN DOKUMEN MENGACU PADA ABSTRAK MENGGUNAKAN VECTOR SPACE MODEL Putri Elfa Mas`udia Jurusan Teknik Elektro, Program Studi Teknik Telekomunikasi Politeknik
Lebih terperinciSTMIK GI MDP. Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 20010/2011
STMIK GI MDP Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 20010/2011 PENERAPAN METODE CLUSTERING HIRARKI AGGLOMERATIVE UNTUK KATEGORISASI DOKUMEN PADA WEBSITE SMA NEGERI
Lebih terperinciANALISIS DAN IMPLEMENTASI REGULAR EXPRESSION UNTUK PENGUMPULAN DATA DAN LEVENSHTEIN DISTANCE DALAM MEMBANDINGKAN DATA HALAMAN WEB
ANALISIS DAN IMPLEMENTASI REGULAR EXPRESSION UNTUK PENGUMPULAN DATA DAN LEVENSHTEIN DISTANCE DALAM MEMBANDINGKAN DATA HALAMAN WEB KOMPETENSI JARINGAN KOMPUTER [SKRIPSI] I WAYAN ADI SAPTANA NIM. 0708605089
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN Dalam bab ini akan dijabarkan analisa, yang meliputi analisa masalah dan gambaran umum masalah yang sedang dibahas, perancangan sistem serta desain antarmuka (user interface)
Lebih terperinciBAB 1 PENDAHULUAN UKDW
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pada era ini perkembangan teknologi informasi sangat pesat. Hal ini ditandai dengan semakin populernya penggunaan internet dan perangkat lunak komputer sebagai
Lebih terperinciImplementasi Metode K-Nearest Neighbor dengan Decision Rule untuk Klasifikasi Subtopik Berita
Implementasi Metode K-Nearest Neighbor dengan Decision Rule untuk Klasifikasi Subtopik Berita Yoseph Samuel, Rosa Delima, Antonius Rachmat 1) Program Studi Teknik Informatika Universitas Kristen Duta Wacana,
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan sistematika tahapan yang dilaksanakan selama proses pembuatan tugas akhir. Secara garis besar metodologi penelitian tugas akhir ini dapat dilihat
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan rangkaian dari langkah-langkah yang diterapkan dalam penelitian, secara umum dan khusus langkah-langkah tersebut tertera pada Gambar flowchart
Lebih terperinciDETEKSI SIMILARITAS DOKUMEN ABSTRAK TUGAS AKHIR MENGGUNAKAN METODE LEVENSHTEIN DISTANCE
DETEKSI SIMILARITAS DOKUMEN ABSTRAK TUGAS AKHIR MENGGUNAKAN METODE LEVENSHTEIN DISTANCE Abdul Najib 1), Karyo Budi Utomo 2) 1), 2) Jurusan Teknologi Informasi, Politeknik Negeri Samarinda Email: abdulnajib@polnes.ac.id
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN Pada bab ini akan dibahas mengenai analisa proses information retrieval dengan menggunakan cosine similarity dan analisa proses rekomendasi buku dengan menggunakan jaccard
Lebih terperinciPERANCANGAN DAN IMPLEMENTASI SISTEM PENILAIAN JAWABAN ESAI OTOMATIS MENGGUNAKAN ALGORITMA RABIN-KARP KOMPETENSI REKAYASA PERANGKAT LUNAK SKRIPSI
PERANCANGAN DAN IMPLEMENTASI SISTEM PENILAIAN JAWABAN ESAI OTOMATIS MENGGUNAKAN ALGORITMA RABIN-KARP KOMPETENSI REKAYASA PERANGKAT LUNAK SKRIPSI I PUTU DHARMA ADE RAHARJA NIM. 1108605037 PROGRAM STUDI
Lebih terperincicommit to user 5 BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori Text mining
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Text mining Text mining adalah proses menemukan hal baru, yang sebelumnya tidak diketahui, mengenai informasi yang berpotensi untuk diambil manfaatnya dari
Lebih terperinciTEMU BALIK INFORMASI PADA DOKUMEN TEKS BERBAHASA INDONESIA DENGAN METODE VECTOR SPACE RETRIEVAL MODEL
TEMU BALIK INFORMASI PADA DOKUMEN TEKS BERBAHASA INDONESIA DENGAN METODE VECTOR SPACE RETRIEVAL MODEL Giat Karyono 1, Fandy Setyo Utomo 2 1 Program Studi Teknik Informatika, STMIK AMIKOM Purwokerto E-mail
Lebih terperinciSISTEM PENILAIAN OTOMATIS JAWABAN ESSAY MENGGUNAKAN METODE COSINE MEASURE PADA SISTEM E-LEARNING ABSTRAK
Judul : Sistem Penilaian Otomatis Jawaban Essay Menggunakan Metode Cosine Measure Pada Sistem E-Learning Oleh : Lukman Hakim NIM : 1010651098 Fakultas : Teknik Jurusan : Teknik Informatika SISTEM PENILAIAN
Lebih terperinciIMPLEMENTASI METODE K-NEAREST NEIGHBOR DENGAN DECISION RULE UNTUK KLASIFIKASI SUBTOPIK BERITA
IMPLEMENTASI METODE K-NEAREST NEIGHBOR DENGAN DECISION RULE UNTUK KLASIFIKASI SUBTOPIK BERITA Abstract This research is about document classification using K-Nearest Neighbor method. We will develop a
Lebih terperinciStemming pada Preprocessing Twit Berbahasa Indonesia dengan Mengimplementasikan Algoritma Fonetik Soundex untuk Proses Klasifikasi
Stemming pada Preprocessing Twit Berbahasa Indonesia dengan Mengimplementasikan Algoritma Fonetik Soundex untuk Proses Klasifikasi Stemming in Indonesian Language Twit Preprocessing Implementing Phonetic
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Sumber informasi atau referensi sudah merupakan hal yang tidak asing lagi bagi seorang peneliti, terutamanya bagi para mahasiswa yang sedang melakukan penelitian untuk
Lebih terperinciIdentifikasi Kesalahan Penulisan Kata (Typographical Error) pada Dokumen Berbahasa Indonesia Menggunakan Metode N-gram dan Levenshtein Distance
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No., Januari 208, hlm. 53-62 http://j-ptiik.ub.ac.id Identifikasi Kesalahan Penulisan Kata (Typographical Error) pada
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1. Hasil Dalam menyajikan hasil dan uji coba pada bab ini, penulis akan menyajikan beberapa tampilan dari aplikasi yang telah dibangun. Tampilan halaman aplikasi ini dibuat
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Perancangan sistem dapat dibagi menjadi lima bagian, yaitu perancangan directory server, perancangan soal dan jawaban tes esai, perancangan algoritma penilaian tes
Lebih terperinciBAB I PENDAHULUAN. Menurut Peraturan Menteri Pendidikan dan Kebudayaan (Permendikbud) Nomor 103
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kebutuhan informasi dibidang pendidikan dinilai cenderung meningkat. Menurut Peraturan Menteri Pendidikan dan Kebudayaan (Permendikbud) Nomor 103 Tahun 2014
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peringkasan Teks Otomatis (Automatic Text Summarization) Peringkasan Teks Otomatis (Automatic Text Summarization) merupakan pembuatan rangkuman dari sebuah sumber teks secara
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Hasil dari penerapan Metode Fuzzy TSukamoto dalam Pendukung Keputusan Penilaian Kinerja Karyawan pada PT. Taspen (Persero) Medan yang dibangun dapat dilihat
Lebih terperinci