Pengembangan Sistem Deteksi Kesesuaian Dokumen Proposal Program Kreativitas Mahasiswa Dengan Metode Extended Weighted Tree Similarity

Transkripsi

1 Pengembangan Sstem Deteks Kesesuaan Dokumen Proposal Program Kreatvtas Mahasswa Dengan Metode Extended Weghted Tree Smlarty Wwk Suharso 1), Qurrota A yun 2), Den Arfanto 3) 1,2,3) Jurusan Teknk Informatka, Fakultas Teknk, Unverstas Muhammadyah Jember Jl. Karmata No. 49 Jember Kode Pos Emal : 1) wwksuharso@unmuhjember.ac.d ABSTRAK Dalam rangka menngkatkan kualtas proposal dan kuanttas perolehan dana hbah Program Kreatvtas Mahasswa (PKM), Tm seleks nternal d Perguruan Tngg mengevaluas kesesuaan dokumen dgtal proposal usulan mahasswa dengan dokumen pedoman PKM yang berlaku. Evaluas tersebut serngkal tdak optmal karena ketdaksembangan jumlah anggota tm seleks dan jumlah proposal yang dtangan serta perubahan ketentuan dalam setap tahun pedoman baru. Proposal usulan mahasswa umumnya memlk kesalahan dalam sstematka penulsan, uraan s, ketentuan krtera dan persyaratan pengusul dalam skema yang dplh sehngga upaya perbakan membutuhkan banyak waktu, tenaga dan baya. Oleh karena tu tujuan jangka panjang peneltan n adalah tersedanya perangkat lunak sstem pendeteksan otomats dokumen dgtal yang mampu mengdentfkas kesalahan sstematka, s dan ketentuan sesua dokumen pedoman PKM yang berlaku. Target khusus yang akan dcapaa dalah dtemukannya model pendeteksan dokumen dgtal format pdf yang memlk tngkat press dan akuras tngg sehngga dapat dgunakan oleh tm seleks nternal sebaga alat bantu koreks awal. Pemodelan n memanfaatkan operas text mnng untuk mengdentfkas s dokumen dengan melbatkan serangkaan metode yatu tokenzng, stoplst/wordlst, stemmng, pembobotan kata TF-IDF dan kemrpan antar bagan dokumen dalam struktur tree dengan metode cosne measure yang dnyatakan dalam bentuk nla bobot label node tree. Perhtungan kemrpan total rata-rata antara dua buah tree dokumen dengan metode Extended Weghted Tree Smlarty menggambarkan hasl kesesuaan sejauh mana proposal mahasswa telah menerapkan pedoman PKM. Prototpe perangkat lunak telah menghaslkan nla auto matchng antar bagan (sub tree) yang sama dan scorng antara dokumen proposal dan dokumen pedoman PKM. Data pelathan dar proposal yang lolos pendanaan tdak selalu memlk nla tertngg dbandngkan dengan data pengujan, sehngga kepatuhan terhadap pedoman harus dkut oleh kualtas dar proposal yang dusulkan. Sebagan besar data pelathan memlk nla tertngg pertama dan kedua, sehngga kepatuhan terhadap pedoman menjad pertmbangan dalam menentukan proposal yang ddana. Kata Kunc : Kesesuaan Dokumen, Proposal, Pedoman PKM, Text Mnng, Cosne Measure, Extended Weghted Tree Smlarty 1. PENDAHULUAN Program Kreatvtas Mahasswa (PKM) merupakan salah satu program dar Drektorat Jenderal Pembelajaran dan Kemahasswaan, Kementeran Rset, Teknolog, dan Penddkan Tngg untuk menngkatkan mutu mahasswa d Perguruan Tngg. Mutu mahasswa tersebut salah satunya dapat dukur dar kompetens untuk menghaslkan karya kreatf dan novatf berlandaskan IPTEKS (Pedoman PKM 2015). Kegatan hbah PKM mendapat respon postf dar Perguruan Tngg dan mahasswa. Respon tersebut berupa pembentukan tm seleks nternal untuk menngkatkan 84

2 JUSTINDO, Jurnal Sstem & Teknolog Informas Indonesa, Vol. 2, No. 2, Agustus 2017 kualtas dan kuanttas proposal usulan mahasswa dalam setap tahun. Tm seleks bertugas mengevaluas kesesuaan dokumen dgtal format pdf proposal usulan mahasswa dengan dokumen pedoman PKM yang berlaku. Evaluas tersebut serngkal tdak optmal karena ketdaksembangan jumlah anggota tm seleks dan jumlah proposal usulan yang dtangan serta perubahan ketentuan dalam setap tahun pedoman baru. Proposal usulan mahasswa umumnya memlk kesalahan dalam sstematka penulsan, uraan s, ketentuan krtera dan persyaratan pengusul dalam skema yang dmaksudkan sehngga upaya perbakan membutuhkan banyak waktu, tenaga dan baya. Hal n ddukung oleh data dan nformas tm seleks PKM Unverstas Muhammadyah Jember (UM Jember) bahwa (1) Tm seleks nternal terdr dar 5 orang sesua SK Rektor Nomor : 0203/KEP/II.3.AU/F/2016, (2) Jumlah kelompok pengusul PKM tahun 2015 sebanyak 149 dan sejak tahun 2013 terjad penngkatan rata-rata pertahun sebesar 24%, (3) Perubahan pedoman PKM terjad setap tahun sepert tahun 2013, 2014, 2015, dan perubahan tersebut rata-rata terjad menjelang waktu pengunggahan proposal usulan baru PKM 5 bdang atau pelaksanaan PIMNAS, (4) Jumlah proposal dterma atau penerma hbah PKM menurun tajam dar 19 kelompok pada tahun 2015 menjad 5 kelompok pada tahun 2016 atau turun sebesar 280%, (5) Perubahan kebjakan bdang kemahasswaan UM Jember tahun 2016 memasukkan persyaratan pembuatan proposal usulan PKM bag pelamar beasswa mempengaruh penngkatan jumlah proposal yang harus dkoreks (Dokumen Tm PKM, 2016). Bahkan observas revewer terhadap skema PKM-KT menemukan fakta kesalahan admnstratf dan atau substans d atas 50% berakbat proposal PKM tdak lolos pada saat pra-evaluas (Pedoman PKM 2015). Untuk mengurang kesalahan admnstratf dan substans s dperlukan perhatan dosen pembmbng dan tm seleks nternal dalam membantu mahasswa. Sejalan dengan tugas tersebut ketersedaan perangkat lunak sstem pendeteksan otomats dokumen dgtal proposal mahasswa dapat membantu menemukan kesalahan sstematka, s dan ketentuan sesua pedoman PKM sehngga upaya perbakan lebh mudah dan cepat. Oleh karena tu peneltan n mengusulkan model pendeteksan kesesuaan dokumen dgtal pdf proposal PKM dengan metode Extended Weghted Tree Smlarty (EWTS). Menurut Sulstyo (2008), Sarno (2008) algortma EWTS memanfaatkan text mnng dengan mempertmbangkan frekuens suatu kata dalam suatu dokumen (term frequency), dan penyebaran suatu kata pada sekumpulan dokumen (Inverse Document Frequency) serta kemrpan antar dokumen dengan metode cosne measure dnyatakan dalam nla bobot label node tree. Perhtungan kemrpan antara dua buah tree dengan metode EWTS akan menghaslkan nla kesesuaan sejauh mana proposal mahasswa telah menerapkan pedoman PKM. Dalam peneltan n permasalahan yang akan dselesakan adalah bagamana caranya memodelkan sstem pendeteksan otomats kesesuaan dokumen dgtal format pdf proposal usulan dan pedoman PKM untuk menla tngkat kesesuaan sejauh mana proposal telah menerapkan pedoman, serta bagamana membangun perangkat lunak sstem pendeteksan otomats kesesuaan dokumen dgtal. 85

3 Wwk Suharso, Qurrota Ayun, Den Arfanto, Pengembangan Sstem Deteks hlm TINJAUAN PUSTAKA Dokumen drepresentaskan dalam bentuk tree berdasarkan sstematka setap skm PKM yang telah dtetapkan pada pedoman PKM yang berlaku. Setap skm PKM memlk 4 bagan yatu bagan krtera, bagan awal, bagan s, dan bagan lampran, dmana masng-masng bagan dapat memlk sub bagan dan pada sub bagan tersebut terdapat dokumen atau penjelasan detal dar suatu bagan. Oleh sebab tu, pada sub bagan nlah fokus pengukuran kesesuaan dokumen dlakukan. Berdasarkan struktur tersebut maka pembentukan tree terbag atas 4 laps. Contoh pembentukan tree pada skm PKMK dgambarkan pada Gambar 1. terdr dar bagan-bagan sebaga berkut. 1) Krtera terdr dar : Int Kegatan, Mater Kegatan, Strata Penddkan, Jumlah Anggota, Alokas Pendanaan, Tahun Angkatan, Luaran, Jumlah Halaman, Format Fle. 2) awal terdr dar : Halaman Sampul, Halaman Pengesahan, Daftar Is, Rngkasan. 3) Is terdr dar : Bab 1 Pendahuluan, Bab 2 Gambaran Umum Rencana Usaha, Bab 3 Metode Pelaksanaan, Bab 4 Baya dan Jadwal Kegatan. 4) Lampran terdr dar : Lampran 1 Bodata Ketua, Anggota dan Dosen Pembmbng, Lampran 2 Justfkas Anggaran Kegatan, Lampran 3 Susunan Organsas Tm Kegatan dan Pembagan Tugas, Lampran 4 Surat Pernyataan Ketua Kegatan. Text mnng ddefnskan sebaga proses penemuan kembal relas dan fakta yang terkubur ddalam teks dan tdak harus baru (Sulstyo, 2008). Dalam peneltan n text mnng melput tokenzng, stoplst/wordlst, stemmng. Dalam peneltan Suharso (2015) ketga operas text mnng tersebut sebaga tahap persapan untuk menyarng dan mengurang jumlah nformas atau termterm yang tdak memlk relevans dalam pengukuran derajat kemrpan suatu dokumen. Proses selanjutnya adalah pembobotan kata dan pengukuran kemrpan dokumen. Masng-masng tahapan tersebut djelaskan dengan merujuk pada peneltan Sulstyo (2008) (Suharso, 2015). 1) Tokenzng Tokenzng adalah proses pemecahan dokumen atau paragraf atau kalmat menjad daftar kata atau token yang berdr sendr. Fungs tokentersebut akan melakukan pengecekan terhadap jarak antar kata (spas, tabulas, enter) untuk membuat daftar kata pada semua kata yang terdapat dalam dokumen. 2) Stoplst/Wordlst Stoplst adalah daftar kata yang tdak relevan dalam mengdentfkas s suatu dokumen sepert kata sambung, kata depan, kata gant, smbol dan tanda baca. Wordlst adalah daftar kata yang relevan sebaga kata kunc sehngga akan dgunakan dalam stemmng. Stoplst/Wordlst adalah proses pembuangan atau penyarngan terhadap stoplst sehngga dhaslkan wordlst. 3) Stemmng Stemmng bertujuan mengubah atau mengembalkan kata menjad bentuk dasarnya dengan menghlangkan mbuhan-mbuhan pada kata dalam dokumen. Pembentukan kata dasar n menggunakan algortma porter dar Dr. Martn Porter yang dsesuakan atau dkembangkan dalam Bahasa Indonesa. 86

4 JUSTINDO, Jurnal Sstem & Teknolog Informas Indonesa, Vol. 2, No. 2, Agustus 2017 Sstem pencaran nformas secara otomats dapat dlakukan dengan membandngkan content dentfer berupa kata (term) yang terdapat pada teks (document) dan nformas yang dmnta oleh user (user nformaton queres). Dokumen dapat berupa dokumen, paragraf atau kalmat D dnyatakan dalam term vectors. D ( t, t j,... t p) (1) Dmana setap t k mengdentfkaskan term yang terdapat pada dokumend. Demkan juga pada queryq drepresentaskan dalam term vectors. Q ( qa, qb,... qr ) (2) Dmana setap q k mengdentfkas term yang terdapat pada query Q. Sehngga bobot (weght) pada setap term untuk membedakan term yang terdapat dalam dokumen D dan queryq dtulskan sebaga berkut. D t, w ; t, w ;...,; t, w ) (3) ( 0 d 0 1 d1 t dt Q q, w ; q, w ;...,; q, q, w ) (4) ( 0 q0 1 q1 t a qt Dmana W dk merupakan bobot dar term t k dalam dokumend, dan W qk merupakan bobot term t k dalam dokumenq. Metode tf*df adalah cara untuk memberkan bobot hubungan suatu kata (term) terhadap dokumen. Proses pembobotan n membentuk bobot D t ) melbatkan tga tahapan yatu TF, IDF, dan TF*IDF dengan persamaan : TF ( t, D) (5) log N IDF 1 df ( t, D) (6) ( t ) D t N tf ( t, D) x log 1 df ( t ) N ( tf ( t, D) x log 1) df ( t ) ( 2 (7) Penlaan tngkat kemrpan querydocument bsa ddapatkan dengan membandngkan antara kedua vektor yang sesua dengan persamaan 8. M Cos( Q, D) ( t ) x ( t ) (8) r 1 Q Algortma Extended Weghted-Tree Smlarty (dsngkat EWTS) adalah algortma yang dgunakan untuk (1) mengukur tngkat kemrpan (smlarty) antara dua buah tree. Penentuan tngkat smlarty dlakukan dengan menentukan dstance atau level smlarty. Dua buah obyek dkatakan memlk tngkat kemrpan tngg, dtanda dengan nla (2) dstance yang mendekat 0 atau nla smlarty yang mendekat angka 1. Pada peneltan n dtentukan tngkat smlarty antara dua buah tree dengan algortma EWTS dmana smlarty akan bernla 0 apabla keduanya tdak memlk kesamaan sama sekal dan bernla 1 apabla benar-benar memlk kesamaan. Tree pada metode n dbag menjad 3 bagan yatu node-labelled, arc-labelled, arc-weghted tree. Dmana node-labelled adalah label atau nama atau denttas yang ada pada setap node, arc-labelled adalah label atau nama atau denttas pada setap cabang node, arc-weghted adalah bobot pada setap cabang node. Menurut Sulstyo (2008), Sarno (2008) EWTS memlk 3 fungs yatu treesm, treemap dan treeplcty. Fungs treemap secara rekursf membandngan dua lst I dan I, masng-masng adalah hmpunan arc pada setap level yang root-nya, dmana rata-rata bobot dapat dhtung dengan persamaan 9. (A(S )(w + w' )/2) (9) 3. METODE PENELITIAN Preprocessng dlakukan dengan text mnng untuk mendapatkan terms relevan, Weghtng dlakukan dengan TF*IDF untuk D 87

5 Wwk Suharso, Qurrota Ayun, Den Arfanto, Pengembangan Sstem Deteks hlm mendapatkan bobot dar term, Auto Matchng dlakukan dengan Cosne Measure pada bagan (sub tree) dokumen pedoman dan proposal, Scorng dengan EWTS untuk menghtung kemrpan total dua buah tree. PREPROCESSING WEIGHTING Tokenzng Stoplst/Wordlst Stemmng Term Frequency (TF) Inverse Document Frequency (IDF) AUTO MATCHING SCORING Weghtng TF*IDF Cosne Measure Extended Weghted Tree Smlarty Gambar 1. Metode Peneltan Preprocessng, Weghtng, Auto Matchng, Scorng 4. HASIL DAN PEMBAHASAN Data yang dgunakan terdr dar data query (Q), data pelathan (L) dan data pengujan (U). Data query berupa daftar term relevan dar masng-masng bagan dokumen dgtal sesua skm PKM dar buku pedoman PKM 2015 dan Data pelathan berupa dokumen proposal usulan mahasswa yang lolos pendanaan dar Drjen Belmawa Kemenrstekdkt. Data pengujan berupa daftar dokumen proposal mahasswa yang dunggah d laman smbelmawa.rstekdkt.go.d. Peneltan n menggunakan data pelathan (L) sebanyak 8 proposal dan data pengujan (U) sebanyak 24 proposal dalam dua tahun terakhr (usulan tahun 2015 dan 2016) sehngga jumlah keseluruhan dokumen sebanyak 32 proposal dtunjukkan dalam Tabel 1. Dmana raso jumlah data perbandngan menggunakan 1 : 3 (satu data pelathan berbandng tga data pengujan). Tabel 1. Rekaptulas Jumlah Data Pelathan (L) dan Data Pengujan (U) Tahun Usulan PKMP PKMK PKMM PKMT Total L U L U L U L U L U Total Sumber Data : Surat Penugasan PKM 5 Bdang Tahun 2015, Laman dan Pengujan dlakukan dengan auto matchng kemrpan antar bagan yang sama (sub tree) dar dokumen pedoman PKM (Query Q) dan dokumen proposal mahasswa dalam setap skm PKM (Dokumen D). (sub tree) dokumen melput Daftar Is, Rngkasan, Bab 1, Bab 2, Bab 3, dan Bab 4. Nla kemrpan cosne antar bagan yang sama akan dhtung total rata-ratanya untuk menentukan kemrpan antara dua dokumen. Perhtungan scorng total ratarata tersebut dengan fungs treemap dar algortma Extended Weghted Tree Smlarty. Prototpe perangkat lunak sstem pendeteksan dokumen dgtal menerma nput berupa data format teks (*.txt) dar bagan-bagan (sub tree) dar dokumen proposal dan dokumen pedoman PKM. Dmana fle dokumen format pdf dkonvers dalam format text (*.txt) menggunakan laman pdftotext.com/d. 88

6 JUSTINDO, Jurnal Sstem & Teknolog Informas Indonesa, Vol. 2, No. 2, Agustus 2017 Hasl dar auto matchng antar bagan (sub tree) dokumen dar data peneltan dan pedoman PKM menghaslkan nla kemrpan dtunjukkan dalam Tabel 2 sampa Tabel 8 berkut n. Tabel 2. Hasl Smlarty Antar Query Q dan Dokumen D (PKMP 2015) PKMP1 PKMP2 PKMP3* PKMP4* Daftar Is 0,540 0,601 0,714 0,539 Rngkasan 0,323 0,409 0,374 0,428 Bab ,479 0,524 0,428 Bab 2 0,425 0,337 0,444 0,371 Bab 3 0,444 0,470 0,417 0,308 Bab 4 0,000 0,627 0,612 0,558 Rata-Rata 0,3464 0, , ,43867 Keterangan : * Data Pelathan Tabel 3. Hasl Smlarty Antar Query Q dan Dokumen D (PKMP 2015) PKMP5 PKMP6 PKMP7 PKMP8 Daftar Is 0,574 0,415 0,814 0,538 Rngkasan 0,401 0,409 0,425 0,471 Bab 1 0,507 0,454 0,47 0,528 Bab 2 0,405 0,371 0,322 0,401 Bab 3 0,418 0,482 0,447 0,380 Bab 4 0,584 0,467 0,486 0,377 Rata-Rata 0,4815 0,433 0,494 0,44917 Tabel 4. Hasl Smlarty Antar Q dan D (PKMK 2015) PKMK1* PKMK2 PKMK3 PKMK4 Daftar Is 0,770 0,621 0,639 0,796 Rngkasan 0,236 0,236 0,425 0,425 Bab 1 0,538 0,462 0,535 0,626 Bab 2 0,596 0,298 0,428 0,506 Bab 3 0,464 0,366 0,412 0,492 Bab 4 0,541 0,545 0,416 0,573 Rata-Rata 0, , , ,56967 Tabel 5. Hasl Smlarty Antar Q dan D (PKMM 2015) PKMM1 PKMM2 PKMM3 PKMM4* Daftar Is 0,710 0,720 0,676 0,749 Rngkasan 0,547 0,216 0,311 0,311 Bab 1 0,442 0,505 0,358 0,462 Bab 2 0,718 0,717 0,749 0,767 Bab 3 0,499 0,424 0,568 0,575 Bab 4 0,533 0,511 0,528 0,557 Rata-Rata 0, ,5155 0, ,57017 Tabel 6. Hasl Smlarty Antar Q dan D (PKMT 2015) PKMT1* PKMT2 PKMT3 PKMT4 Daftar Is 0,657 0,503 0,527 0,543 Rngkasan 0,311 0,216 0,288 0,311 Bab 1 0,337 0,275 0,340 0,443 Bab 2 0,257 0,232 0,343 0,423 Bab 3 0,478 0,550 0,550 0,378 Bab 4 0,580 0,559 0,532 0,453 Rata-Rata 0, , ,430 0,42517 Tabel 7. Hasl Smlarty Antar Q dan D (PKMP 2016) PKMP1 PKMP2 PKMP3 PKMP4* Daftar Is 0,762 0,558 0,541 0,729 Bab 1 0,416 0,485 0,504 0,443 Bab 2 0,425 0,388 0,292 0,332 Bab 3 0,323 0,406 0,417 0,437 Bab 4 0,575 0,601 0,601 0,432 Rata-Rata 0,5002 0,4876 0,471 0,4746 Tabel 8. Hasl Smlarty Antar Q dan D (PKMK 2016) PKMK1 PKMK2 PKMK3* PKMK4 Daftar Is 0,753 0,821 0,751 0,804 Bab 1 0,589 0,468 0,568 0,536 Bab 2 0,597 0,413 0,394 0,542 Bab 3 0,394 0,394 0,365 0,486 Bab 4 0,558 0,525 0,637 0,319 Rata-Rata 0,5782 0,5242 0,543 0,5374 Tabel 9. Hasl Smlarty Antar Q dan D (PKMM 2016) PKMM1 PKMM2* PKMM3 PKMM4 Daftar Is 0,688 0,846 0,680 0,770 Bab 1 0,428 0,471 0,384 0,468 Bab 2 0,645 0,667 0,635 0,631 Bab 3 0,519 0,499 0,451 0,505 Bab 4 0,560 0,570 0,519 0,522 Rata-Rata 0,568 0,6106 0,5338 0,5792 Dar hasl pengujan kemrpan antar bagan, maka dhaslkan nla scorng dar total rata-rata setap tree dokumen proposal dtunjukkan dalam Tabel 10 untuk usulan tahun 2015, dan Tabel 11 untuk usulan tahun

7 Wwk Suharso, Qurrota Ayun, Den Arfanto, Pengembangan Sstem Deteks hlm Tabel 10. Nla Scorng Sort By Descendng (PKM 2015) Proposal PKM Tahun 2015, Tertngg Skm PKM P 0,514 0,487 0,481 0,449 0,433 0,438 0,494 0,3464 PKMK 0,569 0,524 0,475 0,421 PKMM 0,574 0,570 0,531 0,515 PKMT 0,436 0,430 0,425 0,389 Tabel 11. Nla Scorng Sort By Descendng (PKM 2016) SKIM Proposal PKM Tahun 2016, Tertngg PKMP 0,5002 0,4876 0,4746 0,471 PKMK 0,5782 0,543 0,5374 0,5242 PKMM 0,6106 0,5792 0,568 0,5338 Berdasarkan Tabel 10 dan Tabel 11 dsmpulkan bahwa prototpe perangkat lunak telah menghaslkan nla scorng akhr antara dokumen proposal mahasswa dan pedoman PKM. Data pelathan dar proposal yang lolos pendanaan (tercetak tebal) tdak selalu memlk nla tertngg dbandngkan dengan data pengujan, sehngga kepatuhan terhadap pedoman harus dkut oleh kualtas dar proposal. Sebagan besar data pelathan memlk nla tertngg pertama dan kedua, sehngga kepatuhan terhadap pedoman tetap menjad pertmbangan dalam menentukan proposal yang ddana 5. KESIMPULAN DAN SARAN Kesmpulan dar peneltan dengan judul Pengembangan Sstem Deteks Kesesuaan Dokumen Proposal Program Kreatvtas Mahasswa Dengan Metode Extended Weghted Tree Smlarty yatu : (1) Prototpe perangkat lunak sstem pendeteksan kesesuaan dokumen telah dapat menghaslkan nla auto matchng kemrpan antar bagan (sub tree) yang sama dar dokumen, dan menghaslkan nla scorng kesesuaan total rata-rata tree dokumen proposal dan dokumen pedoman PKM, (2) Hasl akhr dar scorng menunjukkan bahwa data pelathan dar proposal yang lolos pendanaan tdak selalu memlk nla scorng tertngg dbandngkan dengan data pengujan dar dokumen proposal yang tdak lolos, sehngga kepatuhan terhadap pedoman harus dkut oleh kualtas dar proposal PKM yang dusulkan, (3) Sebagan besar data pelathan memlk nla tertngg pertama dan kedua, sehngga kepatuhan terhadap pedoman tetap menjad pertmbangan dalam menentukan proposal ddana. Peneltan n dapat dkembangkan dengan mempertmbangkan kontekstual dar substans s proposal yang dusulkan. (sub tree) dokumen dapat dperluas dengan bagan yang lebh kecl sehngga dapat menghaslkan nformas lebh detal tentang ketdaksesuaan atau kekurangan yang harus dlengkap. Dsampng tu prototpe perangkat lunak perlu dkembangkan dalam antar muka yang user frendly agar dapat memudahkan pengguna dan haslnya dapat dvsualsaskan dalam bentuk yang lebh mudah dpaham DAFTAR PUSTAKA Sarno, Ryanarto; Rahutomo, Fasal. (2008), Penerapan Algortma Weghted Tree Smlarty Untuk Pencaran Semantk, JUTI. Vol 7 No. 1 : Sulstyo, Wwn; Sarno, Ryanarto. (2008), Pemodelan Kesesuaan Dokumen Sekurt Manajemen Aset Teknolog Informas Menggunakan Algortma Extended Weghted Tree Smlarty, Prosdng Semnar Nasonal Sstem & Teknolog Informas (SNASTI), Surabaya : Sulstyo, Wwn; Sarno, Ryanarto. (2008), Auto Matchng Antar Dokumen Dengan Metode Cosne Measure, Semnar Nasonal Teknolog 90

8 JUSTINDO, Jurnal Sstem & Teknolog Informas Indonesa, Vol. 2, No. 2, Agustus 2017 Informas dan Komunkas, Indonesa. Suharso, Wwk. (2015), Identfkas Kebutuhan Non-Fungsonal Dalam Spesfkas Tekstual Berdasarkan Atrbut ISO/IEC 9126, Prosdng Semnar Nasonal Manajemen Teknolog XXII, MMT ITS Surabaya. Pedoman Program Kreatvtas Mahasswa 2015, Drektorat Jenderal Pembelajaran dan Kemahasswaan (Belmawa), Kementeran Rset, Teknolog dan Penddkan Tngg. Pedoman Program Kreatvtas Mahasswa 2016, Drektorat Jenderal Pembelajaran dan Kemahasswaan (Belmawa), Kementeran Rset, Teknolog dan Penddkan Tngg. Laporan Tm PKM 2016, Kemahasswaan Unverstas Muhammadyah Jember. Surat Penugasan PKM 5 Bdang Tahun 2015, SK Rektor Nomor : 0203/KEP/II.3.AU/F/ (dakses 4 Me 2016) (1 Jul 2017) 91