SKRIPSI APLIKASI PENDETEKSI KEMIRIPAN ISI TEKS DOKUMEN MENGGUNAKAN METODE LEVENSHTEIN DISTANCE

Transkripsi

1 SKRIPSI APLIKASI PENDETEKSI KEMIRIPAN ISI TEKS DOKUMEN MENGGUNAKAN METODE LEVENSHTEIN DISTANCE Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik NA FIRUL HASNA ARIYANI E1E1 0 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS HALU OLEO KENDARI i

2 ii

3 iii

4 iv

5 INTISARI Na firul Hasna Ariyani, E1E1 0 APLIKASI PENDETEKSI KEMIRIPAN ISI TEKS MENGGUNAKAN METODE LEVENSHTEIN DISTANCE DOKUMEN Skripsi, Fakultas Teknik, (xii+67+lampiran) Kata KuncI: Dokumen, Levenshtein Distance, Preprocessing, kemiripan, Plagiat Teknologi informasi yang berkembang pesat membawa dampak positif dan negatif bagi kehidupan Salah satu dampak negatif yang ditimbulkan adalah plagiarisme. Plagiarisme adalah tindakan menjiplak karya orang lain dan mengakui sebagai hasil karya pribadinya. Oleh karena itu pendeteksian plagiarisme perlu dilakukan untuk mengurangi penjiplakan terhadap hasil karya orang lain. Skripsi ini bertujuan untuk mendeteksi kemiripan dokumen teks menggunakan algoritma levenshtein distance sehingga dapat digunakan untuk membantu menentukan plagiarisme. Tipe dokumen yang diuji adalah.pdf.docx dan.txt. Dokumen yang digunakan untuk perbandingan teks ini adalah dokumen yang berbahasa Indonesia.ng, Tahapan dalam sistem adalah preprocessing yang teridiri dari Case Folding, Tokenizing, Filtering, Stemming, Sorting. Setelah proses preprocessing maka tahap selanjutnya adalah dilakukan perhitungan menggunakan metode Levenshtein Distance dan penggukuran nilai similarity sehingga mendapatkan nilai presentase kemiripan antara kedua dokumen. Pada pengujian menggunakan data real yaitu data dokumen berplagiat dengan algoritma Levenshtein Distance menghasilkan nilai similarity yang tinggi yaitu diatas 77% sampai 0% untuk dokumen yang tingkat kemiripannya tinggi. Sedangkan untuk dokumen dengan tingkat kemiripan yang rendah atau tidak berplagiat maka menghasilkan nilai similarity dibawah 40%. v

6 ABSTRACT Na firul Hasna Ariyani, E1E1 0 THE DETECTOR APPLICATION TO TEST THE SIMILARITY OF TEXT BY USING LEVENSHTEIN DISTANCE METHOD Minithesis, Faculty of Engineering, (xii+67+attachments) Keywords: Document, Levenshtein Distance, Plagiarism Preprocessing, Similarity, The expanding of technology information rapidly, brings positive and negative impacts to the lives. One of the negative impacts is plagiarism. Plagiarism is the act of plagiarizing the work of others and recognize as his/her own work. Therefore, detection of plagiarism needs to be done to reduce plagiarism of other people's work. This thesis aims to detect the similarity of text document using algorithm levenshtein distance, so it can be used to help in determining plagiarism. The type of document to be tested are.pdf.,.docx and.txt. Documents that used for comparison of this text is a document that used Indonesian language. Stages in the system is preprocessing that consist of Case Folding, tokenizing, Filtering, Stemming, and Sorting. After the process of preprocessing, the next step is doing the calculation using the Levenshtein Distance method and measuring value of the similarity. Thus getting a percentage value of the similarity between the two documents. In the testing by using real data, that is data of plagiarized documents by Levenshtein Distance algorithm produces a high similarity value is above 77% to 0% for the document that a high level of similarity. As for the document with a low degree of similarity or not plagiarized, the result of similarity values below 40%. vi

7 KATA PENGANTAR Assalamu alaikum warrahmatullahi wabarakatuh Dengan memanjatkan puji syukur kehadirat Allah SWT yang telah melimpahkan rahmat dan hidayahnya, serta shalawat dan salam untuk junjungan kami, Nabi Muhammad SAW, penulis bersyukur atas tersusunnya skripsi yang berjudul Apikasi pendeteksi kemiripan isi teks dokumen menggunakan metode Levenshtein Distance untuk melengkapi salah satu persyaratan yang diajukan dalam rangka menempuh ujian akhir untuk memperoleh gelas Sarjana Teknik pada jenjang Strata Satu Program Studi Teknik Informatika Pada Fakultas Teknik Universitas Halu Oleo Kendari. Penulis menyadari, bahwa penulisan skripsi ini tidak akan terwujud tanpa adanya dukungan dan bantuan dari berbagai pihak. Maka, dalam kesempatan ini penulis mengucapkan terima kasih yang sebesar-besarnya kepada yang terhormat: 1. Bapak Prof. Dr. Ir. H. Usman Rianse, M.Si selaku Rektor Universitas Halu Oleo. 2. Bapak Mustarum Musaruddin, ST., MIT.,Ph.D, Selaku Dekan Fakultas Teknik Universitas Halu Oleo. 3. Ibu Ika Purwanti Ningrum, S.Kom.,M.Cs, Selaku Ketua Program Studi Teknik Informatika Fakultas Teknik Universitas Halu Oleo. 4. Bapak Sutardi, S.kom., MT. selaku pembimbing I yang telah meluangkan begitu banyak waktu, tenaga, dan pikiran serta dengan sabar membimbing penulis sejak awal hingga terselesaikanya Laporan Skripsi /Tugas Akhir (TA) ini. 5. Bapak Rahmat Ramadhan, S.Si., M.Cs, selaku dosen pembimbing II yang didalam berbagai kesibukan dapat menyempatkan diri membimbing dan mengarahkan serta memberi petunjuk dan saran yang sangat berharga bagi penulisan tugas akhir ini ini. vii

8 6. Dosen serta para Staff Fakultas Teknik Universitas Halu Oleo, khususnya pada Program Studi Teknik Informatika (Bu Anisa) atas bimbingan dan IlmuPengetahuannya. 7. Kedua orang tua tercinta yaitu Ayahanda Ir. Ari Sismanto, Ibunda Fosdar Wahyuningrum dan kedua saudaraku tercinta Mahardika Luhung Prayoga dan Elysia Khosy Azarine terima kasih telah menjadi orang tua dan saudara terhebat sejagad raya, yang selalu memberikan motivasi, nasehat, cinta, perhatian, dan kasih sayang serta doa yang tentu takkan bisa saya balas. 8. Teman-teman Teknik Informatika angkatan yang selalu memberikan inspirasi, khususnya teman-teman anak ganjil yang tercinta dan tersayang terima kasih banyak atas segala dukungan dan bantuannya. Terima kasih juga buat (Rezky Septiana, ST, Holis Hermansyah, ST) yang bersedia membantu dalam penyelesaian skripsi saya. Serta seluruh teman-teman dan semua pihak yang tidak dapat saya sebutkan satu persatu, Akhir kata penulis mohon maaf atas kekeliruan dan kesalahan yang terdapat dalam skripsi ini dan berharap semoga skripsi ini dapat memberikan manfaat bagi khasanah ilmu pengetahuan Teknologi Informasi di Indonesia. Wassalamualaikum Warahmatullahi Wabarakatuh. Kendari, April Penulis Na firul Hasna Ariyani viii

9 DAFTAR ISI HALAMAN JUDUL...i HALAMAN PENGESAHAN...ii HALAMAN PERNYATAAN...iv INTI SARI...v ABSTRACT...vi KATA PENGANTAR...vii DAFTAR ISI...ix DAFTAR TABEL...xi DAFTAR GAMBAR...xii BAB I PENDAHULUAN Latar Belakang...1 Rumusan Masalah...2 Batasan Masalah...2 Tujuan Penelitian...2 Manfaat Penelitian...3 Sistematika Penulisan...3 Tinjauan Pustaka...4 BAB II LANDASAN TEORI Plagiarisme Pengertian Plagiarisme Jenis-Jenis Plagiarisme Dokumen Teks Mining Pengertian Teks Mining Tahapan dalam Teks Mining Metode Levenshtein Distance Pengertian Levenshtein Distance Mekanisme Levenshtein Distance Pengukuran Nilai Similarity Algoritma Nazief dan Adriani Unified Modeling Language (UML) FlowChart Model Pengembangan Perangkat Lunak MySQL XAMPP Pemrograman Java Netbeans...37 ix

10 BAB III METODOLOGI PENELITIAN Data yang digunakan Metode Pengumpulan Data Prosedur Pengembangan Perangkat Lunak Waktu Penelitian...40 BAB IV ANALISIS DAN PERANCANGAN SISTEM Analisis Sistem Analisis Kerja Sistem Lama Analisis Kerja Sistem Baru Ilustrasi Metode Levenshtein Distance Terhadap Perencanaan Aplikasi Preprocessing Penerapan Metode Levenshtein Distance Penerapan Pengkuran Nilai Similarity Perancangan Sistem Diagram Usecase Diagram Activity Diagram Squence Analisis Kebutuhan Sistem Kebutuhan Data Masukan Kebutuhan Data Keluaran Perancangan Antar Muka (Interface)...55 BAB V IMPLEMENTASI DAN PENGUJIAN SISTEM Kebutuhan Sistem Implementasi Antarmuka Sistem Pengujian Sistem...63 BAB VI PENUTUP Kesimpulan Saran...67 DAFTAR PUSTAKA LAMPIRAN x

11 DAFTAR TABEL Tabel 2.1 Awalan dan Akhiran Dalam Bahasa Indonesia... Tabel 2.2 Awalan dan Akhiran yang tak diizinkan... Tabel 2.3 Aturan Pemengalan Awalan... Tabel 2.4 Simbol-simbol pada Use Case Diagram Tabel 2.5 Simbol-simbol Activity Diagram Tabel 2.6 Simbol-simbol Squence Diagram Table 2.7 Simbol-simbol Class Diagram... 2 Tabel 2.8 Entity Relasionship Diagram Tabel 2. Simbol Flow Chart Tabel 3.1 Waktu Penelitian... 3 Tabel 4.1 Matriks Perhitungan metode Levenshtein Distance Tabel 5.1 Daftar Dokumen Asli Tabel 5.2 Daftar Dokumen Pembanding Tabel 5.3 Hasil Perbandingan Tabel 5.4 Hasil Perbandingan dokumen yang tidak mirip xi

12 DAFTAR GAMBAR Gambar 2.1 Tahap Preprocessing... Gambar 2.2 Tahap Case Folding... Gambar 2.3 Tahap Tokenizing... Gambar 2.4 Tahap Filtering... Gambar 2.5 Tahap Stemming... Gambar 2.6 Tahap Sorting... Gambar 4.1 Flowchart Program Gambar 4.2 Flowchart Preprocessing Gambar 4.3 Contoh Dokumen Gambar 4.4 Flowchart Read File Gambar 4.5 Contoh Tahap Case Folding Gambar 4.6 Contoh Tahap Tokenizing Gambar 4.7 Contoh Tahap Filtering Gambar 4.8 Contoh Tahap Stemming Gambar 4. Diagram Use Case... 4 Gambar 4. Diagram Activity Menu Bantuan Gambar 4. Diagram Activity Menu Perbandingan 2 Dokumen Gambar 4. Diagram Activity Menu Perbandingan Banyak Dokumen Gambar 4. Diagram Sequence Menu Perbandingan Banyak Dokumen Gambar 4. Diagram Sequence Menu Perbandingan 2 Dokumen Gambar 4. Desain Interface Menu Perbandingan 2 Dokumen Gambar 4. Desain Interface Menu Perbandingan Banyak Dokumen Gambar 4. Desain Interface Menu Bantuan Gambar 5.1 Tampilan Beranda Gambar 5.2 Tampilan Perbandingan 2 Dokumen Gambar 5.3 Proses Preprocessing dan menampilkan hasil... 5 Gambar 5.4 Proses Levenshtein Distance Gambar 5.5 Proses membaca file Gambar 5.6 Tampilan Perbandingan banyak dokumen Gambar 5.7 Tampilan Bantuan xii

13 BAB I PENDAHULUAN 1.1 Latar Belakang Pemanfaatan teknologi digital telah menjadi kebutuhan dalam era modern saat ini. Komponen yang ada di dalam dunia digital salah satunya adalah dokumen teks. Dokumen dalam bentuk digital memudahkan dalam hal penyimpanan, efisien, mudah dicari, bahkan mudah dalam hal penjiplakan. Praktek penjiplakan sering terjadi dalam dunia akademik, baik tingkat sekolah maupun perguruan tinggi. Tindakan plagiat yang dilakukan oleh siswa maupun mahasiswa ini sangat tidak mencerminkan sikap kreatif dan terpelajar sebagai kaum intelektual. Demi menyelesaikan tugas-tugasnya dengan cepat, siswa maupun mahasiswa dapat melakukan teknik copy-paste-modify tanpa perlu mempelajari dan mengeksplorasi materi terlebih dahulu. Kadangkala tindak penjiplakan ini dimodifikasi dengan mengganti kata-kata yang mengandung sinonim, dengan maksud agar terlihat berbeda dari pekerjaan teman. Hal semacam ini dapat menimbulkan masalah terhadap evaluasi hasil belajar siswa/mahasiswa. Penjiplakan atau plagiarisme berarti mencontoh atau meniru atau mencuri tulisan dan karya orang lain yang kemudian diakui sebagai karangannya sendiri dengan ataupun tanpa seizin penulisnya. Penjiplakan dokumen digital bukanlah hal yang susah, cukup dengan menggunakan teknik copy-paste-modify pada sebagian isi dokumen dan bahkan keseluruhan isi dokumen sudah bisa dikatakan bahwa dokumen tersebut merupakan hasil duplikasi dari dokumen lain (Irianto, ). Cara untuk mengatasi permasalahan terjadinya plagiarisme, yaitu dengan mencegah dan mendeteksi. Mencegah berarti menjaga atau menghalangi agar plagiarisme tidak dilakukan. Usaha ini harus dilakukan sedini mungkin terutama pada sistem pendidikan dan moral masyarakat. Mendeteksi berarti melakukan usaha untuk menemukan tindakan plagiat yang telah dilakukan. Cara mendekteksi terbagi menjadi dua yang pertama secara manual dan yang kedua secara otomatis. 1

14 2 Secara manual dapat dilakuka dengan cara membandingkan manual antara kedua jenis dokumen tersebut namun hal tersebut tentulah kurang efektif. Pendeteksian secara manual sebenarnya mempunyai tingkat akurasi yang tinggi, hal ini dikarenakan kemampuan manusia dalam memahami makna dan maksud sangat terbatas, serta gaya bahasa dari kata atau kalimat. Hanya saja, dapat membutuhkan waktu dan tenaga yang banyak jika mendeteksi dokumen yang sangat banyak sehingga menjadi tidak efektif didalam proses pengerjaanya. Melihat masalah tersebut penulis tertarik merancang solusi untuk mendeteksi kemiripan suatu dokumen teks agar dapat membantu dalam proses pengerjaan untuk mendeteksi perbandingan duah buah dokumen dalam jumlah yang sangat banyak dengan efektif dan efesien. Salah satu metode yang tepat dalam melakukan deteksi kemiripan dokumen teks adalah dengan melakukkan perhitungan dengan metode Levenshtein Distance. Levenshtein Distance memperhatikan tiga operasi dalam menentukan jarak diff, yaitu (1) operasi penyisipan (insertion), (2) operasi penghapusan (deletion), (3) operasi penggatian (subtitution), sebuah huruf yang berdekatan. Hasil akhir yang diberikan dalam sistem ini adalah memberikan presentase nilai similarity antara kedua dokumen (Andriyani, ). 1.2 Rumusan Masalah Rumusan masalah dalam penelitian ini adalah sebagai berikut: 1. Bagaimana membangun Aplikasi Pendeteksi kemiripan dokumen dengan menggunakan metode LD (Levenshtein Distance). 2. Bagaimana akurasi Aplikasi Pendeteksi Plagiat tersebut dapat mendeteksi kemiripan dua dokumen atau lebih. 1.3 Batasan Masalah Batasan masalah dalam penelitian ini adalah sebagai berikut: 1. Dokumen yang digunakan dalam penelitian ini adalah dokumen teks yang tidak meliputi dokumen yang berisi gambar. 2. Dokumen yang digunakan untuk perbandingan teks ini adalah dokumen yang berbahasa Indonesia.

15 3 3. Tipe dokumen yang digunakan dalam penelitian ini adalah.pdf.docx dan.txt 4. Aplikasi ini mengabaikan adanya sinonim (persamaan kata). 5. Aplikasi ini tidak memperhatikan kesalahan penulisan dalam dokumen. 6. Aplikasi ini tidak memperhatikan kesamaan makna dalam kalimat. 1.4 Tujuan Penelitian Tujuan dalam penelitian ini adalah sebagai berikut: 1. Merancang sistem aplikasi pendeteksi kemiripan isi teks dokumen menggunakan metode Levenshtein Distance. 2. Mengetahui akurasi kemiripan (similarty) antara satu dokumen dengan dokumen lainnya. 1.5 Manfaat Penelitian Manfaat penelitian dalam penelitan ini adalah : 1. Dapat membantu instansi pendidikan dalam mendeteksi hasil laporan dan tugas yang diberikan. 2. Mengetahui tingkat kemiripan (similarity) dokumen teks antara dokumen yang satu dengan yang lain. 3. Dengan mengetahui persentase kemiripan teks, sehingga dapat digunakan sebagai bahan pertimbangan untuk mendeteksi adanya tindakan meniru. 4. Mempecepat proses pengoreksian dengan jumlah yang sangat besar dengan cepat dan efektif. 1.6 Sistematika Penulisan Sistematika dalam skripsi ini terdiri dari beberapa bagian utama yaitu sebagai berikut: BAB I Pendahuluan Merupakan bab pendahuluan yang menguraikan latar belakang masalah, rumusan masalah, tujuan penelitian, manfaat penelitian, batasan masalah dan sistematika penulisan.

16 4 BAB II Landasan Teori Membahas mengenai dasar-dasar teori pendukung yang digunakan dalam penelitian ini seperti Plagiat, Dokumen, Teks Mining, Metode Levenshtein Distance, Penggukuran Nilai Similarity, UML, Flowchart, Model Pengembang Perangkat Lunak, MySQL, Netbeans, XAMPP, Pemrograman Java. BAB III Metodologi Penelitian Membahas mengenai waktu dan tempat penelitian, metode pengumpulan data, metode pengembangan sistem yang digunakan dalam penelitian tugas akhir ini. BAB IV Analisis Perancangan Sistem Pada bagian ini diuraikan analisis sistem yang akan dibuat dan kebutuhan sistem yang meliputi kebutuhan fungsional, kebutuhan non fungsional sistem. Rancangan sistem meliputi rancangan arsitektur sistem, rancangan proses, rancangan prosedural, rancangan data, dan rancangan user interface. BAB V Implementasi Dan Pengujian Sistem Menguraikan tentang implementasi dan pengujian dari perangkat lunak yang dibangun berdasarkan hasil analisis dan perancangan (desain) pada bab sebelumnya. BAB VI Penutup Menguraikan kesimpulan penelitian dan saran-saran sebagai bahan pertimbangan untuk pengembangan penelitian. 1.7 Tinjauan Pustaka Penelitian ini didasarkan pada penelitian sebelumnya yang dilakukan oleh Irianto () yang berjudul Penentuan Tingkat Plagiarisme Dokumen Penelitian Menggunakan Centroid Linkage Hierarchical Method (CLHM) dalam penelitian tersebut telah dikembangkan sistem penentuan tingkat plagiarisme dokumen menggunakan metode CLHM berdasarkan kemiripan topic pada abstraksi dokumen penelitian. CLHM digunakan untuk mengelompokkan dokumen berdasarkan kemiripannya menggunakan hill climbing. Perhitungan prosentase kemiripan pada sistem ini menggunakan cosine similarity.

17 5 Salah satu penelitian yang mendasari penelitian ini adalah penelitian yang dilakukn oleh Mudafiq dkk. () yang berjudul Aplikasi Pendeteksi Duplikasi Dokumen Teks Bahasa Indonesia Menggunakan Algoritma Winnowing Dengan Metode K-Gram Dan Synonym Recognition dalam penelitian tersebut Pencarian menggunakan teknik hashing akan menjadi lebih efisien daripada pencarian karakter-per-karakter pada nama-nama yang panjangnya bervariasi dan Sistem yang dibangun telah dapat mendeteksi duplikasi dengan pendekatan dengan perbedaan ± 0.82 % lebih besar menggunakan sinonim synonym recognition daripada tanpa synonym recognition. Salah satu penelitian yang mendasari penelitian ini adalah penelitian yang dilakukn oleh Tudesman dkk. () yang berjudul Sistem deteksi plagiarisme dokumen bahasa indonesia menggunakan metode vector space model menjelaskann bahwa hasil penerapan metode Vector Space Model dalam uji coba aplikasi untuk mendeteksi tingkat plagiarisme dapat menggunakan TF atau TFIDF, dimana hasil dengan menggunakan TF-IDF jauh lebih baik dibandingkan dengan TF.

18 BAB II LANDASAN TEORI 2.1 Plagiarisme Pengertian Plagiarisme Plagiarisme merupakan tindakan kriminal yang sering terjadi dalam dunia akademis. Plagiarisme itu sendiri berasal dari kata latin Plagiarus yang berarti penculik dan Plagiare yang berarti mencuri. Jadi, secara sederhana plagiat berarti mengambil ide, kata-kata, dan kalimat seseorang dan memposisikannya sebagai hasil karyanya sendiri atau mengunakan ide, kata-kata, dan kalimat tanpa mencantumkan sumber dimana seorang penulis mengutipnya (Sastroasmoro, 07). Dalam Kamus Besar Bahasa Indonesia (08) disebutkan: "Plagiat adalah pengambilan karangan (pendapat dan sebagainya) orang lain dan menjadikannya seolah-olah karangan (pendapat) sendiri". Plagiat dapat di anggap sebagai tindak kriminal karena mencuri hak cipta orang lain. Di dalam dunia akademis, pelaku plagiarisme akan mendapat hukuman yang berat. Pelaku plagiat disebut plagiator Jenis-jenis Plagiarisme Terdapat jenis jenis plagiarism, menurut Sudigdo Sastroasmoro dalam makalahnya berjudul Beberapa Catatan tentang Plagiarisme pada tahun 07, mengklasifikasikan plagiarisme dalam empat jenis. Jenis plagiarisme berdasarkan klasifikasinya diantaranya: a. Jenis plagiarisme berdasarkan aspek yang dicuri Dalam klasifikasi ini terdiri atas 4 kategori yaitu kategori plagiarisme ide, plagiarisme isi, plagiarisme kata, kalimat, paragraf, dan plagiarisme total. Plagiarisme ide sering dikaitkan dengan penelitian replikatif. Penelitian reflikatif adalah penelitian yang berdasarkan atas ide orang lain. Apabila dalam melakukan penelitian, analisis yang digunakan sama dengan penelitian sebelumnya sama, maka harus mencantumkan sumber dan alasan ilmiah mengapa penelitian ulang tersebut perlu dilakukan. 6

19 7 Plagiarisme isi dari data penelitian adalah fabrikasi dan falsifikasi. Fabrikasi adalah tindakan membuat data yang tidak ada menjadi ada. Sedangkan falsifikasi adalah mengubah data dengan maksud agar sesuai dengan yang dikehendaki oleh peneliti tersebut. Plagiarisme kata, kalimat, paragraf merupakan jenis plagiarisme yang mengubah sebagian kecil dalam sebuah karya tulis, seperti menganti sebagian kalimat atau paragraf atau meniru seluruh isinya dengan bahasa yang berbeda. Plagiarisme total merupakan plagiarisme yang dibuat tanpa merubah total isi dari penelitian tersebut dan sama persis dengan karya orang lain. plagiarisme ini merupakan plagiarisme yang paling berat. b. Klasifikasi berdasarkan sengaja atau tidaknya plagiarisme Plagirisme sengaja adalah mencuri atau dengan sengaja menjiplak hasil karya orang lain dengan kepentingannya sendiri. Hal ini dapat terjadi bila seseorang menjiplak ide, kata, frasa, kalimat atau pragraf tanpa mencantumkan sumbernya dan dilakukan dengan sadar untuk kepentingan sendiri. Plagiarisme tidak disengaja adalah plagiarisme yang terjadi karena ketidaktahuan. Ketidaktahuan ini biasa terjadi dalam menggunakan dokumentasi, teknik mengutip karya tulis, dan parafrase kalimat yang keliru. Meskipun plagirisme tidak disengaja namun sanksi yang dikenakan sama seperti plagiarisme yang disengaja. Hal tersebut dapat dicegah dengan menunjukan bagaimana menghindari plagiarisme. c. Klasifikasi berdasarkan proporsi atau persentase kata, kalimat, paragraf yang dibajak Ada tiga macam klasifikasi plagiarisme berdasarkan poporsi atau persentase kata, kalimat, paragraf yang di bajak yaitu: Plagiarisme ringan, plagiarisme yang jumlah proporsi atau persentase kata, kalimat, paragraf yang dibajak tidak melebihi 30 persen (< 30%). Plagiarisme sedang, plagiarisme yang jumlah proporsi atau persentase kata, kalimat, paragraf yang dibajak antara persen.

20 8 Plagiarisme berat, plagiarisme yang jumlah proporsi atau persentase kata, kalimat, paragraf yang dibajak lebih dari 70 persen (>70%). d. Berdasarkan pada pola plagiarisme Berdasarkan pada pola plagiarisme dibedakan menjadi dua yaitu plagiarisme kata demi kata (word for word plagiarizing) dan plagiarisme mosaik. Plagiarisme kata demi kata (word for word plagiarizing) adalah pola plagiarisme dengan melakukan penjiplakan sebagian kecil kalimat, dapat juga satu paragraf, atau seluruh isi meskipun ditulis dengan bahasa lain. Sedangkan plagiarisme mosaik adalah penyajian tidak dilakukan kata demi kata, tapi menyipkan kata atau frase dari beberapa karya orang lain tanpa menuliskan sumbernya sehingga memberi kesan kalimat tersebut adalah asli penulis. 2.2 Dokumen Dokumen menurut bahasa Inggris berasal dari kata document yang mempunyai arti suatu yang tertulis atau yang tercetak dan segala benda yang memiliki berbagai keterangan dipilih untuk disusun, di kumpulkan, di sediakan ataupun untuk disebarkan (Sora ). Sedangkan menurut Kamus Umum Bahasa Indonesia menyebutkan dokumen adalah sesuatu yang tertulis atau tercetak yang dapat dipergunakan sebagai bukti atau keterangan. Dokumen merupakan salah satu hal yang sangat penting karena merupakan sumber informasi yang diperlukan oleh suatu instansi, organisasi, atau Negara. Tanpa dokumen kita akan kehilangan data-data yang diperlukan untuk kegiatan kantor/organisasi masa yang akan datang. Jenis-jenis format dokumen adalah sebagai berikut: 1. Portable Document Format (*.pdf) PDF (Portable Document Format) adalah sebuah format berkas yang dibuat oleh Adobe System pada tahun 3 untuk keperluan pertukaran dokumen digital. Format PDF digunakan untuk merepresentasikan dokumen dua dimensi yang meliputi teks, huruf, citra dan grafik vektor dua dimensi. Pada Acrobat 3-D,

21 kemampuan PDF juga meliputi pembacaan dokumen tiga dimensi. PDF telah menjadi standar ISO pada tanggal 1 Juli 08 dengan kode ISO 300-1:08. Berkas PDF dapat dibuat secara spesifik agar dapat diakses oleh orang-orang dengan keterbatasan fisik. Format berkas PDF dapat dilengkapi dengan label (tag) XML, teks ekuivalen, perbesaran visual teks (magnifier), penambahan fasilitas audio/suara, dan sebagainya. Beberapa perangkat lunak kreator PDF seperti Adobe InDesign dapat secara otomatis membuat berkas PDF berlabel. Berkas PDF dapat disandikan sehingga untuk dapat membuka atau mengeditnya diperlukan katakunci tertentu. Penyandian berkas PDF dilakukan dalam dua tingkat, yakni 40-bit dan 8-bit dengan menggunakan sistem sandi kompleks RC4 dan MD5. Berkas PDF juga dapat diberi pembatasan DRM untuk membatasi aktivitas penggandaan, penyuntingan, maupun pencetakan berkas tersebut. Format dokumen PDF mengkombinasikan tiga teknologi: Sub-set dari pemrograman deskripsi halaman PostScript untuk menghasilkan tampilan dan grafik Sistem penempatan/pemindahan huruf untuk mengijinkan perpindahan huruf di dalam dokumen Sistem penyimpanan terstruktur untuk menempatkan dan mengkompresi elemen-elemen dokumen ke dalam satu berkas (Vicky, 07). 2. Teks biasa (*.txt) Berkas ASCII atau teks biasa (bahasa Inggris: plain text ) dalam istilah komputer, adalah suatu jenis berkas komputer yang berupa teks tidak terformat. Lawan dari jenis berkas ini adalah teks berformat. Jenis berkas ini biasanya disunting dengan menggunakan editor teks. Berkas ini biasanya hanya mengandung teks-teks yang diformat dengan menggunakan pengkodean ASCII. Berkas ini hanya terdiri atas karakter, angka, tanda baca, tabulasi, dan karakter pemisah baris (carriage return). Dalam berkas ASCII, tidak ada pemformatan yang ekstensif seperti dalam dokumen Microsoft Word atau Rich Text Format, melainkan pemformatan yang digunakan hanyalah pemformatan standar yakni ASCII.

22 Dalam sistem operasi Windows, berkas ASCII ini dapat dibuat dengan menggunakan program Notepad atau editor teks lainnya. Sistem operasi lainnya juga mengimplementasikannya, tapi beberapa sistem operasi (utamanya adalah keluarga UNIX) tidak mengharuskan adanya ekstensi berkas seperti pada Windows. Normalnya, sebagian besar berkas dalam sistem operasi UNIX merupakan berkas ASCII, kecuali berkas yang dapat dieksekusi (program). Berkas ASCII umumnya digunakan sebagai berkas teks biasa, skrip, kode sumber sebuah program (source code sebuah bahasa pemrograman), berkas konfigurasi (terutama dalam keluarga sistem operasi UNIX), atau berkas teks lainnya. Bahkan, banyak juga orang yang membuat gambar dengan menggunakan berkas ASCII, yang sering disebut sebagai ASCII Art. Karena berkas ASCII mengandung teks yang tidak diformat, berkas tersebut dapat dipahami banyak sistem operasi, karena memang ASCII adalah sebuah standar internasional (Windows, Macintosh, dan UNIX mendukung sepenuhnya standar ini). Akibatnya, berkas tersebut dapat menjadi sangat berguna dalam rangka berbagi informasi antar platform atau aplikasi (Mahfudin, ). 3. Word Document (*.doc) Ekstensi doc permata kali muncul pada dokumen yang digunakan oleh pengolah kata WordPerfect yaitu pada tahun 80. Doc merupakan singkatan dari dokumen, adalah sebuah ekstensi file yang digunakan pada dokumen pengolah kata biasanya digunakan pada Microsoft Word. Pada tahun 0-an Microsoft memilih menggunakan ekstensi *.doc pada pengolah kata Microsoft Word. File dengan ekstensi DOC bervariasi, pada versi Microsoft Word 7 dan 03 masih menggunakan file dengan ekstensi *.doc, sedangkan pada Microsoft Word 07 dan format dengan ekstensi *.doc diganti dengan ekstensi docx. File ekstensi *.doc merupakan ekstensi asli yang dihasilkan dari Microsoft Word tetapi file ekstensi ini tidak hanya dapat dibaca dan diedit dengan menggunakan pengolah kata Microsoft Word saja, tetapi pengolah kata lainnya juga dapat membaca dan membuatnya seperti, OpenOffice.org Writer, Google Docs, Apple Pages, dan AbiWord (Labuna, ).

23 2.3 Teks Mining Pengertian Teks Mining Text mining memiliki definisi menambang data yang berupa teks dimana sumber data biasanya di dapatkan dari dokumen, dan tujuannya adalah mencari kata-kata yang dapat mewakili isi dari dokumen sehingga dapat dilakukan analisa keterhubungan antar dokumen. Text mining merupakan penerapan konsep dan teknik data mining untuk mencari pola dalam teks, yaitu proses penganalisisan teks guna menyarikan informasi yang bermanfaat untuk tujuan tertentu. Berdasarkan ketidakteraturan struktur data teks, maka proses text mining memerlukan beberapa tahap awal yang pada intinya adalah mempersiapkan agar teks dapat diubah menjadi lebih terstruktur. Pada prinsipnya, text mining adalah bidang ilmu multidisipliner, melibatkan information retrieval (IR), text analysis, information extraction (IE), clustering, categorization, visualization, database technology, natural language processing (NLP), machine learning, dan data mining. Dapat pula dikatakan bahwa text mining merupakan salah satu bentuk aplikasi kecerdasan buatan (atau artificial intelligence / AI). Text mining mencoba memecahkan masalah information overload dengan menggunakan teknik-teknik dari bidang ilmu yang terkait. Text mining dapat dipandang sebagai suatu perluasan dari data mining atau knowledge-discovery in database (KDD), yang mencoba untuk menemukan pola-pola menarik dari basis data berskala besar. Namun text mining memiliki potensi komersil yang lebih tinggi dibandingkan dengan data mining, karena kebanyakan format alami dari penyimpanan informasi adalah berupa teks. Text mining menggunakan informasi teks tak terstruktur dan mengujinya dalam upaya mengungkap struktur dan arti yang tersembunyi didalam teks. Perbedaan mendasar antara text mining dan data mining terletak pada sumber data yang digunakan. Pada data mining, pola-pola diekstraki dari basis data yang terstruktur, sedangkan di text mining, pola-pola diekstraki dari data tekstual (natural language). Secara umum, basis data didesain untuk program dengan tujuan

24 melakukan pemrosesan secara otomatis, sedangkan teks ditulis untuk dibaca langsung oleh manusia. Bagaimanapun juga, tugas dalam text mining jauh lebih kompleks dibandingkan dengan data mining, karena melibatkan data teks yang sifatnya tidak terstruktur dan tidak jelas (fuzzy) Tahapan dalam Teks Mining Ada beberapa tahapan dalam teks mining yaitu: CASE FOLDING TOKENIZING FILTERING STEMMING ANALYZING Gambar 2.1 Tahap preprocessing a. Tahap Case folding Tahap case folding adalah tahap mengubah semua huruf dalam dokumen menjadi huruf kecil hanya huruf a sampai z yang di terima. Contoh tahap case folding adalah Berkebun adalah hobi yang sangat menyenangkan dan bermanfaat berkebun adalah hobi yang sangat menyenangkan dan bermanfaat Gambar 2.2 Tahap case folding b. Tahap tokenizing Pada dasarnya proses Tokenizing yaitu proses memisahkan setiap kata yang menyusun suatu dokumen. Pengertian Tokenizing itu sendiri adalah proses pemotongan input berdasarkan tiap kata yang menyusunnya. Umumnya setiap kata

25 teridentifikasi atau terpisahkan dengan kata lain oleh karakter spasi, sehingga proses Tokenizing mengandalkan karakter spasi pada dokumen untuk melakukan pemisahan kata. Karakter spasi dan titik digunakan sebagai Delimiter yang berfungsi untuk memisahkan kata perkata dan kalimat perkalimat. Contoh tahap tokenizing adalah: berkebun adalah hobi yang sangat menyenangkan dan bermanfaat (Teks Input) berkebun adalah Hobi yang sangat menyenangka n dan bermanfaat (Hasil Token) Gambar 2.3 Tahap Tokenizing c. Tahap filtering Tahap Filtering adalah tahap pengambilan kata yang penting dari hasil Tokenizing. Tahap Filtering ini dapat menggunakan algoritma stoplist. Stoplist yaitu menyaring terhadap kata-kata yang tidak layak untuk dijadikan pembeda dari kata kunci sehingga kata-kata tersebut dapat dihilangkan. Kata-kata hasil dari Tokenizing akan dicocokan dengan kata dari stoplist. Apabila kata tersebut sama dengan kata yang ada dalam tabel stoplist maka akan di hilangkan. Berkebun adalah Hobi yang sangat menyenangkan dan bermanfaat Berkebun Hobi Menyenangkan bermanfaat (Hasil Token) Gambar 2.4 Tahap filtering (Hasil Filter)

26 d. Tahap stemming Stemming adalah proses mengubah kata menjadi kata dasarnya dengan menghilangkan imbuhan imbuhan pada kata dalam dokumen. Stem (akar kata) adalah bagian dari kata yang tersisa setelah dihilangkan imbuhanya (awalan atau akhiran). Dalam tahap stemming diperlukan suatu algoritma yaitu Nazief dan Andriani. Algoritma ini mengacu pada aturan morfologi bahasa Indonesia yang mengelompokan imbuhan, yaitu imbuhan yang diperbolehkan atau imbuhan yang tidak diperbolehkan. Pengelompokan ini termaksud imbuhan di depan (awalan), imbuhan dibelakang (akhiran) atau imbuhan ditengah kata (sisipan) dan kombinasi imbuhan pada awal dan akhir kata (konfliks). Algoritma ini menggunakan kamus kata keterangan yang digunakan untuk mengetahui bahwa proses stemming telah mendapatkan kata dasar. Contoh dari tahap ini adalah: ]][polp Berkebun Hobi Menyenangkan bermanfaat Kebun Hobi Senang manfaat (Hasil Filter) (Hasil Stemminng) Gambar 2.5 Tahap Stemming e. Tahap Sorting Sorting teks digunakan untuk mengurutkan kata hasil dari stemming secara ascending atau menaik sehingga pencocokan string dokumen dilakukan pada data yang sudah terurut. Interface ini akan menjaga elemen dalam koleksi terurut. Contoh dari sorting teks adalah : Kebun Hobi Senang manfaat Hobi Kebun manfaat Senang (Hasil Stemminng) (Hasil Sorting) Gambar 2.6 Tahap Sorting

27 f. Tahap analyzing Tahap analyzing merupakan tahap penentuan seberapa jauh keterhubungan antar kata-kata antar dokumen yang ada (Harlian, ). 2.4 Metode Leveinstein Distance Pengertian metode Leveinstein Distance Levenshtein Distance dibuat oleh Vladimir Levenshtein pada tahun 65. Perhitungan edit distance didapatkan dari matriks yang digunakan untuk menghitung jumlah perbedaan string antara dua string. Perhitungan jarak antara dua string ini ditentukan dari jumlah minimum operasi perubahan untuk membuat string A menjadi string B dengan menggunakan 3 macam operasi utama yaitu: (1) operasi penyisipan (insertion), (2) operasi penghapusan (deletion),(3) operasi penggatian (subtitution) (Andriyani, ) Mekanisme Levenshtein Distance Ada 3 macam operasi utama yang dapat dilakukan oleh algoritma ini yaitu : 1. Operasi Pengubahan Karakter Operasi pengubahan karakter merupakan operasi menukar sebuah karakter dengan karakter lain contohnya penulis menuliskan string yamg menjadi yang. Dalam kasus ini karakter m diganti dengan huruf n. 2. Operasi Penambahan Karakter Operasi penambahan karakter berarti menambahkan karakter ke dalam suatu string. Contohnya string kepad menjadi string kepada, dilakukan penambahan karakter a di akhir string. Penambahan karakter tidak hanya dilakukan diakhir kata, namun bisa ditambahkan diawal maupun disisipkan ditengah string. 3. Operasi Penghapusan Karakter Operasi penghapusan karakter dilakukan untuk menghilangkan karakter dari suatu string. Contohnya string barur karakter terakhir dihilangkan sehingga menjadi string baru. Pada operasi ini dilakukan penghapusan karakter r (Andriyani, ).

28 Algoritma ini berjalan mulai dari pojok kiri atas sebuah array dua dimensi yang telah diisi sejumlah karakter sring awal dan string target dan diberikan nilai cost. Nilai cost pada ujung kanan bawah menjadi nilai edit distance yang menggambarkan jumlah perbedaan dua string. 0, 0 = 0 (, 0) = (0, ) = (, )= 1, { (2.1) + 1,, 1 + 1, ( 1, 1) Pengukuran Nilai Similarity Setelah mendapatkan biaya edit-distance maka untuk menghitung nilai Levenshtein Distance atau perhitungan similarity menggunakan Persamaan berikut: Plagiarized Value = 1, 0 (2.2) CS = Source String ST = Target String Similarity = Nilai kemiripan Diff = Jarak Levenshtein Max(CS.ST)= Nilai string terpanjang (Nafik, ). 2.6 Algoritma Nazief dan Adriani Algoritma Nazief dan Andriani merupakan sebuah algoritma untuk mencari sebuah kata dasar atau lebih dikena dengan istilah stemming. Proses stemming antara satu bahasa tidak sama dengan proses stemming dengan bahasa lain, dengan kata lain algoritma stemming untuk bahasa indonesia tidak dapat digunakan untuk proses stemming bahasa inggris atau bahasa lainnya karena masing-masing bahasa mempunyai struktur morfologi yang berbeda. Algoritma Nazief dan Adriani adalah algoritma stemming yang digunakan khusus untuk bahasa indonesia, walaupun ada

29 banyak algoritma stemming lainnya untuk bahasa indonesia, akan tetapi Nazief dan Adriani lebih banyak digunakan oleh para praktisi maupun para pegiat akademik, karena memang sampai saat ini Nazief dan Adriani mempunyai akurat yang baik jika dibandingkan dengan yang lainnya. Konjungsi dalam Algoritma stemming Nazief dan Adriani dikembangkan berdasarkan aturan morfologi Bahasa Indonesia yang mengelompokkan imbuhan menjadi awalan (prefix), sisipan (infix), akhiran (suffix) dan gabungan awalan akhiran (confixes). Berikut tabel awalan dan akhiran dalam bahasa Indonesia. Tabel 2.1 Awalan dan Akhiran dalam bahasa Indonesia Awalan BerBelTerMeMengMenyMemMenMengediKeKuPePengPemPenPengPenyPengePerSe- Akhiran -an -i -kan -ku -mu -nya -kah -lah -tah -pun Algoritma ini menggunakan kamus kata dasar dan mendukung recoding, yakni penyusunan kembali kata-kata yang mengalami proses stemming berlebih. Aturan morfologi Bahasa Indonesia mengelompokkan imbuhan ke dalam beberapa kategori sebagai berikut:

30 1. Inflection suffixes yakni kelompok akhiran yang tidak merubah bentuk kata dasar. Sebagai contoh, kata duduk yang diberikan akhiran -lah akan menjadi duduklah. Kelompok ini dapat dibagi menjadi dua: a. Particle (P) atau partikel yakni termaksud di dalamnya -lah, kah, tah dan pun. b. Possessive pronoun (PP) atau kata genti kepunyaan, termaksud di dalamnya -ku, -mu dan -nya. 2. Derivation suffixes (DS) yakni kumpulan akhiran asli Bahasa Indonesia yang secara langsung ditambahkan pada kata dasar yaitu akhiran -i, -kan, dan an. 3. Derivation prefixes (DP) yakni kumpulan awalan yang dapat langsung diberikan pada kata dasar murni, atau pada kata dasar yang sudah mendapatkan penambahan sampai dengan 2 awalan. Termaksud di dalamnya adalah: a. Awalan yang dapat bermorfologi ( me-, be-, pe- dan te ). b. Awalan yang tidak bermorfologi ( di-, ke- dan se- ). Berdasarkan pengklasifikasi imbuhan-imbuhan di atas, maka bentuk kata berimbuhan dalam Bahasa Indonesia dapat dimodelkan sebagai berikut: [ + [ + [ ]]] [[+ ][+ ] (2.3) Keterangan : DP : Derivation prefixes DS : Derivation suffixes PP : Possessive pronoun Dengan model bahasa Indonesia diatas serta aturan-aturan dasar morfologi Bahasa Indonesia, aturan yang digunakan dalam proses algoritma Nazief & Adriani sebagai berikut: 1. Tidak semua kombinasi awalan dan akhiran diperbolehkan. Kombinasikombinasi imbuhan yang tidak diperbolehkan, yaitu be-i, ke-i, ke-kan, me-an, se-i, se-kan dan te-an. 2. Penggunaan imbuhan yang sama secara berulang tidak diperkenankan.

31 3. Jika suatu kata hanya terdiri dari satu atau dua huruf, maka proses tidak dilakukan. 4. Penambahan suatu awalan tertentu dapat mengubah bentuk asli kata dasar, ataupun awalan yang telah diberikan sebelumnya pada kata dasar bersangkutan. Sebagai contoh, awalan me- dapat berubah menjadi meng-, men-, meny, dan mem-. Oleh karena itu diperlukan suatu aturan yang mampu mengatasi masalah morfologi ini. Algoritma Nazief & Adriani memiliki tahap-tahap sebagai berikut: 1. Cari kata dalam kamus jika ditemukan maka diasumsikan bahwa kata tersebut adalah kata dasar. Algoritma berhenti. Jika tidak ditemukan maka lakukan langkah Hilangkan inflectional suffixes bila ada. Dimulai dari inflectional particle ( lah, -kah, -tah dan -pun ), kemudian possessive pronoun ( -ku, -mu dan -nya ). Cari kata pada kamus jika ditemukan algoritma berhenti, jika kata tidak ditemukan dalam kamus lakukan langkah Hilangkan derivation suffixes ( -an, -i dan -kan ). Jika akhiran -an dihapus dan ditemukan akhiran -k, maka akhiran -k dihapus. Cari kata pada kamus jika ditemukan algoritma berhenti, jika kata tidak tidak ditemukan maka lakukan langkah Pada langkah 4 terdapat tiga iterasi. a. Iterasi berhenti jika : 1) Ditemukannya kombinasi awalan yang tidak diizikan berdasarkan awalan. Tabel 2.2 Awalan dan Akhiran yang tak diizinkan Awalan Akhiran yang tidak diizinkan be- -i di- -an ke- -i, -kan me- -an se- -i, -kan

32 2) Awalan yang dideteksi saat ini sama dengan awalan yang dihilangkan sebelumnya. 3) Tiga awalan telah dihilangkan. b. Identifikasikasikan tipe awalan dan hilangkan. Awalan terdiri dari dua tipe: 1) Standar ( di-, ke-, se- ) yang dapat langsung dihilangkan dari kata. 2) Kompleks ( me-, be-, pe-, te ) adalah tipe-tipe awalan yang dapat bermorfologi sesuai kata dasar yang mengikutinya. Oleh karena itu dibutuhkan aturan pada tabel 2.3 untuk mendapatkan hasil pemenggalan yang tepat. Tabel 2.3 Aturan Pemenggalan Awalan Aturan Format Kata Pemenggalan 1 berv ber-v be-rv 2 bercap ber-cap dimana C!= r & P!= er 3 bercaerv ber-caerv dimana C!= r 4 Belajar bel-ajar 5 berc1erc2 be-c1erc2 dimana C1!= r l 6 terv ter-v te-rv 7 tercerv ter-cerv dimana C!= r 8 tercp Ter-CP dimana C!= r dan P!= er tec1erc2 Te-C1erC2 dimana C1!= r me{l r w yv me {l r w y V mem{b f v mem-{b f v Mempe mem-pe mem{rv V me-m{rv V me-p{rv V men{c d j s z men-{c d js z menv me-nv me-tv meng{g h q k meng-{g h q k mengv meng-v meng-kv mengv-... jika V= e menyv meny-sv. mempa mem-pa dimana A!= e

33 pe{w yv pe-{w yv perv per-v pe-rv percap per-cap dimana C!= r dan P!= er 24 percaerv per-caerv dimana C!= r 25 pem{b f V pem-{b f V 26 pem{rv V pe-m{rv V pe-p{rv V 27 pen{c d j z pen-{c d j z 28 penv pe-nv pe-tv 2 pengc peng-c 30 pengv Peng-V peng-kv pengv-... jika V= e 31 penyv peny-sv 32 pelv pe-lv kecuali pelajar yang menghasilkan ajar 33 pecerv Per-erV dimana C!= {r w y l m n 34 pecp Pe-CP dimana C!={r w y l m ndan P!= er 35 terc1erc2... ter-c1erc2... dimana C1!= r 36 pec1erc2... pe-c1erc2... dimana C1!={r w y l m n Keterangan simbol huruf C : huruf konsonan V : huruf vocal A : huruf vocal atau konsonan P : partikel atau fragmen dari setiap kata, misalnya er c. Cari kata yang telah dihilangkan awalannya. Apabila tidak ditemukan, maka langkah 4 diulang kembali. Apabila ditemukan, maka algoritma berhenti. 5. Apabila setelah langkah 4 kata dasar masih belum ditemukan, maka proses recording dilakukan dengan mengacu pada aturan tabel 2.3. Recording dilakukan dengan menambahkan karakter recording di awal kata yang dipenggal. Pada tabel 2.3, karakter recording adalah huruf kecil setelah tanda hubung ( - ) dan terkadang berada sebelum tanda kurung. Sebagai contoh, kata menangkap (aturan ) pada tabel 2.3, setelah dipenggal menjadi nangkap.

34 Karena tidak valid, maka recording dilakukan dan menghasilkan kata tangkap. 6. Jika semua langkah gagal, maka input kata yang diuji pada algoritma ini dianggap sebagai kata dasar. Berikut contoh-contoh aturan yang terdapat pada awalan sebagai pembentuk kata dasar. 1. Awalan SESe + semua konsonan dan vokal tetap tidak berubah Contoh : Se + bungkus = sebungkus Se + nasib = senasib Se + arah = searah Se + ekor = seekor 2. Awalan MEMe + vokal (a,i,u,e,o) menjadi sengau meng Contoh : Me + inap = menginap Me + asuh = mengasuh Me + ubah = mengubah Me + ekor = mengekor Me + oplos = mengoplos Me + konsonan b menjadi mem Contoh : Me + beri = member Me + besuk = membesuk Me + konsonan s menjadi meny (luluh) Contoh : Me + sapu = menyapu Me + satu = menyatu Me + konsonan t menjadi men (luluh) Contoh :

35 Me + tanama = menanam Me + tukar = menukar Me + konsonan (l,m,n,r,w) menjadi tetap me Contoh : Me + lempar = melempar Me + masak = memasak Me + naik = menaik Me + rawat = merawat Me + warna = mewarna 3. Awalan KEKe + semua konsonan dan vokal tetap tidak berubah Contoh : Ke + bawa = kebawa Ke + atas = keatas 4. Awalan PEPe + konsonan (h,g,k) dan vokal menjadi per Contoh : Pe + hitung + an = perhitungan Pe + gelar + an = pergelaran Pe + kantor + = perkantoran Pe + konsonan t menjadi pen (luluh) Contoh : Pe + tukar = penukar Pe + tikam = penikam Pe + konsonan (j,d,c,z) menjadi pen Contoh : Pe + jahit = penjahit Pe + didik = pendidik Pe + cuci = pencuci Pe + zina = penzina Pe + konsonan (b,f,v) menjadi pem

36 24 Contoh : Pe + beri = pemberi Pe + bunuh = pembunuh Pe + konsonan p menjadi pem (luluh) Contoh : Pe + piker = pemikir Pe + potong = pemotong Pe + konsonan s menjadi peny (luluh) Contoh : Pe + siram = penyiram Pe + sabar = penyabar Pe + konsonan (l,m,n,r,w,y) tetap tidak berubah Contoh : Pe + lamar = pelamar Pe + makan = pemakan Pe + nanti = penanti Pe + wangi = pewangi 2.7 Unified Modeling Languange (UML) UML (Unified Modeling Languange) adalah bahasa pemodelan untuk sistem atau perangkat lunak yang berparadigma berorientasi objek. Pemodelan (modeling) sesungguhnya digunakan untuk penyederhanaan permasalahan- permasalahan yang kompleks sedemikian rupa sehingga lebih mudah dipelajari dan dipahami (Nugroho, ). UML adalah sekumpulan simbol dan diagram untuk memodelkan software. Dengan menggunakan UML, desain software dapat diwujudkan dalam bentuk simbol, dan diagram. Desain dalam bentuk simbol dan diagram. Kemudian dapat diterjemahkan menjadi kode program (Azis, 05). Diagram-diagram dalam UML sebagai berikut (Rosa, ):

37 25 1. Use Case Diagram Use case atau diagram use case merupakan pemodelan untuk kelakuan (behavior) sistem informasi yang akan dibuat. Use case mendeskripsikan sebuah interaksi antara satu atau lebih aktor dengan sistem informasi yang akan dibuat. Tabel 2.4 Simbol-simbol pada Use case Diagram Simbol Use Case Deskripsi Fungsionalitas yang disediakan sistem sebagai unit-unit yang saling bertukar pesan antar unit atau aktor, biasanya dinyatakan dengan menggunakan kerja diawal fase nama use case. Aktor/ Actor Orang, proses, atau sistem lain yang berinteraksi dengan sistem informasi yang akan dibuat di luar sistem informasi yang akan dibuat itu sendiri, jadi walaupun simbol dari aktor adalah gambar dari orang, tapi aktor belum tentu merupakan orang; biasanya dinyatakan menggunakan kata benda di awal frase nama aktor. Asosiasi / Association Komunikasi antara aktor dan use case yang berpartisipasi pada use case atau use case memiliki interaksi dengan aktor. Ekstensi/ Extend <<extend>> Relasi use case tambahan ke sebuah use case dimana use case yang ditambahkan dapat berdiri sendiri walau tanpa use case tambahan itu; mirip dengan prinsip inheritance pada pemograman berorientasi objek;

38 26 biasanya use case tambahan memiliki nama depan yang sama dengan use case yang ditambahkan. Generalisasi/ Generalization Hubungan generalisasi dan spesialisasi (umum-khusus) antara dua buah use case dimana fungsi yang satu adalah fungsi yang lebih umum dari lainnya. Menggunakan / Include/ Uses <<include>> <<uses>> Relasi Use case tambahan ke sebuah use case dimana use case yang ditambahkan memerlukan use case ini untuk menjalankan fungsinya atau sebagai syarat dijalankan use case ini. 2. Activity Diagram Diagram aktivitas atau activity diagram menggambarkan workflow (aliran kerja) atau aktivitas dari sebuah sistem atau proses bisnis. Yang perlu diperhatikan disini adalah bahwa diagram aktivitas menggambarkan aktivitas sistem bukan apa yang dilakukan aktor, jadi aktivitas yang dapat dilakukan oleh sistem ditunjukan pada Tabel 2.5 Tabel 2.5 Simbol-simbol pada Activity Diagram Simbol Status awal Deskripsi Status awal aktivitas sistem, sebuah diagram aktivitas memiliki sebuah status awal. Aktivitas Aktivitas yang dilakukan sistem, aktivitas aktivitas biasanya diawali dengan kata kerja. percabangan Asosiasi percabangan dimana jika ada pilihan aktivitas lebih dari satu.

39 27 Penggabungan/ join Asosiasi penggabungan dimana lebih dari satu aktivitas digabungkan menjadi satu. Status akhir Status akhir yang dilakukan sistem, sebuah diagram aktivitas memiliki sebuah status akhir. 3. Sequence Diagram Sequence diagram menggambarkan kelakuan objek pada use case dengan mendeskripsikan waktu hidup objek dan message yang dikirimkan dan diterima antar objek. Oleh karena itu untuk menggambar sequence diagram maka harus diketahui objek-objek yang terlibat dalam sebuah use case beserta metode-metode yang dimiliki kelas yang diinstansiasi menjadi objek itu seperti yang ditujukan pada Tabel 2.6 Tabel 2.6 Simbol-simbol pada Sequence Diagram Simbol Aktor Deskripsi Orang, proses, atau sistem lain yang berinteraksi dengan sistem informasi yang akan dibuat di luar sistem informasi yang akan dibuat itu sendiri, jadi nama_aktor walaupun simbol dari aktor adalah gambar dari orang, tapi aktor belum tentu atau nama aktor merupakan orang; biasanya dinyatakan menggunakan kata benda di awal frase tanpa waktu aktif nama aktor. Garis hidup/ Lifeline Menyatakan kehidupan suatu objek Objek Menyatakan objek yang berinteraksi Nama objek : nama kelas pesan.

40 28 Waktu aktif Menyatakan objek dalam keadaan aktif dan berinteraksi pesan. Pesan tipe create <<create>> Menyatakan suatu objek membuat objek yang lain, arah panah mengarah pada objek yang dibuat. Pesan tipe call 1: nama_metode() Menyatakan suatu objek memanggil operasi/ metode yang ada pada objek lain atau dirinya sendiri 1: nama_metode() Arah panah mengarah pada objek yang memiliki operasi/ metode, karena ini memanggil operasi/metode yang dipanggil harus ada pada diagram kelas sesuai dengan kelas objek yang berinteraksi. Pesan tipe send Menyatakan bahwa suatu objek mengirimkan data/ masukkan/ informasi 1:masukkan ke objek lainnya, arah panah mengarah pada objek yang dikirim. Pesan tipe return Menyatakan bahwa suatu objek yang telah menjalankan suatu operasi atau 1: keluaran metode menghasilkan suatu kembalian ke objek tertentu, arah panah mengarah pada objek yang menerima kembalian. Pesan tipe destroy <<destroy>> Menyatakan suatu objek mengakhiri hidup objek yang lain, arah panah mengarah pada objek yang diakhiri, sebaiknya jika ada create maka ada destroy.

41 2 4. Class diagram Class Diagram menggambarkan struktur sistem dari segi pendefinisian kelaskelas yang akan dibuat untuk membangun sistem. Kelas memiliki apa yang disebut atribut dan metode atau operasi. - Atribut merupakan variabel-variabel yang dimiliki oleh suatu kelas. - Operasi atau metode adalah fungsi-fungsi yang dimiliki oleh suatu kelas. Tabel 2.7 Simbol-simbol pada Class Diagram Simbol Kelas nama_kelas Deskripsi Kelas pada struktur sistem +atribut +operasi() Antarmuka /interface Sama dengan konsep interface dalam pemograman berorientasi objek. nama_interface Asosiasi/ Association Relasi antar kelas dengan makna umum, asosiasi biasanya juga disertai dengan multiplicity. Relasi antar kelas dengan makna kelas yang satu digunakan oleh kelas yang lain, asosiasi biasanya juga disertai dengan Generalisasi Relasi antar kelas dengan makna generalisasi-spesialisasi (umum khusus). Kebergantungan/ Dependency Relasi antar kelas dengan makna kebergantungan antar kelas. Agregasi/ Aggregation Relasi antar kelas dengan makna semuabagian (whole-part).