SNETE 2013 SNETE 2013 PROSIDING S N T E

Transkripsi

1 E S N T E PROSIDING S N E T E PROSIDING SNETE 2013 SEMINAR NASIONAL & EXPO TEKNIK ELEKTRO KE-3 TAHUN 2013 HERMES PALACE HOTEL - BANDA ACEH 26 AGUSTUS 2013 SNETE 2013 Sinergisitas Perkembangan Penelitian di Bidang Teknik Elektro dan Peningkatan Produktivitas Industri dalam Mengisi Pembangunan Nasional Organizer: Sponsor: Jurusan Teknik Elektro Fakultas Teknik Jurusan Teknik Elektro Fakultas Teknik - Jl. Tgk. Syech Abdurrauf no. 7 Kopelma Darussalam, Banda Aceh Telp./Fax.: jte@elektro.unsyiah.ac.id Co-organizer: Magister Teknik Elektro Teknik Elektro Universitas Malikussaleh Politeknik Negeri Lhokseumawe Politeknik Aceh

2 PROSIDING SNETE 2013 SEMINAR NASIONAL DAN EXPO TEKNIK ELEKTRO AGUSTUS 2013 HERMES PALACE HOTEL BANDA ACEH Editor: Dr. Teuku Yuliar Arif, S.T., M.Kom. Zulfikar, S.T., M.Sc. i

3 ii

4 KATA PENGANTAR Puji syukur kehadirat Allah SWT, atas segala rahmat dan hidayah-nya sehingga pada tahun 2013 ini Seminar Nasional Teknik Elektro (SNETE) ke-3 dapat dilaksanakan kembali. SNETE2013 merupakan kelanjutan SNETE2011 yang dilaksanakan di Banda Aceh dan SNETE2012 yang dilaksanakan di Medan. SNETE2013 mengusung tema Sinergitas Perkembangan Penelitian di Bidang Teknik Elektro dan Produktivitas Industri dalam Mengisi Pembangunan Nasional. Bidang ilmu Teknik Elektro yang mencakup bidang Teknik Energy Listrik, Teknnik Telekomunikasi, Teknik Elektronika, Teknik Sistem Kendali, Teknik Komputer dan Informatika dewasa ini terus berkembang dengan pesat. Untuk dapat terus mengikuti perkembangan tersebut, berbagai kemajuan dibidang keilmuan, hasil penelitian dan inovasi Teknik Elektro perlu secara terus meneruskan saling dipertukarkan dan disebarkan ke khalayak melalui berbagai media, salah satunya melalui kegiatan SNETE. SNETE2013 diisi oleh tiga pembicara kunci mewakili kalangan akademisi dan praktisi/industri. Selain itu, sejumlah 40 makalah ilmiah dari berbagai bidang dipresentasikan oleh pemakalah dari berbagai universitas dan lembaga/institusi nasional. Pada sesi ekspo, SNETE2013 juga menampilkan berbagai produk teknologi dari karya peniliti dan industri. Atas nama panitia SNETE 2013, izinkan saya menyampaikan penghargaan atas dukungan terselenggaranya kegiatan ini kepada : Rektor, Dekan Fakultas Teknik, serta institusi pendidikan lainnya yang mendukung acara ini: Magister Teknik Elektro, Jurusan Teknik Elektro Universitas Malikussaleh, Polteknik Aceh, Polteknik Negeri Lhokseumawe; para pembicara kunci, para sponsor, dan seluruh panitia pelaksana sehingga seminar ini dapat terlaksana dengan baik. Secara khusus, saya juga mengucapkan terima kasih kepada seluruh pemakalah dan peserta, atas partisipasi, kontribusi dan inovasi nyata bagi perkembangan ilmu Teknik Elektro melalui SNETE2013. Selamat Seminar! Terima Kasih Dr. Teuku Yuliar Arif, S.T., M.Kom. Ketua Panitia iii

5 iv

6 PANITIA SEMINAR NASIONAL DAN EKSPO TEKNIK ELEKTRO SNETE 2013 Penanggung Jawab Wakil Penaggung Jawab Pengarah Koordinator Wakil Koordinator Ketua Pelaksana Wakil Ketua Pelaksana Sekretaris Bendahara : Dr. Ir. Marwan (Dekan Fakultas Teknik Unsyiah Syiah Kuala) : 1. Dr. Ir. Mirza Irwansyah, MBA., MLA. (Pembantu Dekan I, Fakultas Teknik Unsyiah Syiah Kuala) 2. Ir. Syahrizal, MT. (Pembantu Dekan II, Fakultas Teknik Unsyiah Syiah Kuala) 3. Dr. M. Ilham Maulana, ST., MT (Pembantu Dekan III, Fakultas Teknik Unsyiah Syiah Kuala) 4. Dr. Ir. Taufiq Saidi, M.Eng (Pembantu Dekan IV, Fakultas Teknik Unsyiah Syiah Kuala) : 1. Prof. Dr. Ir. Yuwaldi Away, M.Sc 2. Ir. Mansur Gapy, M.Sc 3. Ir. Syahrizal, MT 5. Ir. Agus Adria, M.Sc : Dr.Ir. Rizal Munadi, MM, MT : Alfisyahrin, ST., MT : Dr. Teuku Yuliar Arif, ST, M.Kom : Zulfikar, ST, M.Sc : Melinda, ST, M.Sc : M. Irhamsyah, ST, MT Komite Pelaksana : Program 1. Dr. Syahrial M.Eng 2. Dr. Khairul Munadi, ST.,M.Eng 3. Dr. Nasaruddin, ST.,M.Eng 4. Dr. Taufig A Gani, S.Kom.,M.Eng.Sc 5. Rahmad Dawood, S.Kom, M.Sc 6. Alfatirta Mufti, ST, M.Sc 7. Syukriyadin, ST, MT 8. Mahdi Syukri, ST, MT 9. Zulhelmi, ST, M.Sc v

7 Publikasi dan Dokumentasi 1. Yudha Nurdin, ST, MT 2. Hubbul Walidainy, ST, MT 3. Sayed Muchallil, ST, M.Sc 4. Ir. Ernita Dewi Meutia, M.S.Tc.E 5. Ir. Walidin, MT 6. Zulsyukri, ST Kesekretariatan dan Sponsorship 1. Dr. Fitri Arnia, ST.,M.Eng.Sc 2. Mohd Syaryadi, ST., M.Sc 3. Fardian, ST., M.Sc 4. Roslidar, ST, M.S.Tc.E 5. Jasmiati, A.Md 6. Dewi Yana, SHi Logistik dan Expo 1. Tarmizi, ST, M.Sc 2. Yunidar, S.Si, MT 3. Ramdhan Halid Siregar, ST, MT 4. Ahmadiar, ST, M.Sc 5. Afdal, ST, M.Sc 6. Yudha Iskandar, ST 7. Ali Imron, ST 8. Edi Sukriansyah, ST vi

8 DAFTAR REVIEWER Prof. Dr. Ir. Yuwaldi Away, M.Sc Prof. Zainal A.Hasibuan, Ir.,MLS, PhD Prof. Dr. Ir. Riri Fitri Sari, M.Sc., MM Prof. Tulus, M.Si.,Ph.D Dr. Ir. Rinaldi Munir, MT Dr. Ardian Ulvan, ST., M.Sc Dr.Ir. Rizal Munadi, MM, MT Dr. Ir. Syahrial, M.Eng Dr. Taufig A Gani, S.Kom.,M.Eng.Sc Dr. Khairul Munadi, ST.,M.Eng Dr. Nasaruddin, ST.,M.Eng Dr. Fitri Arnia, ST.,M.Eng.Sc Rahmad Dawood, S.Kom, M.Sc Roslidar, ST, M.S.Tc.E Alfatirta Mufti, ST, M.Sc Syukriyadin, ST, MT Mahdi Syukri, ST, MT Zulhelmi, ST, M.Sc Ikhwanus, ST.,MT Muhammad Syahroni, ST., MT. Universitas Indonesia Universitas Indonesia Universitas Sumatra Utara Institut Teknologi Bandung Universitas Lampug Universitas Malikussaleh Politeknik Negeri Lhokseumawe vii

9 DAFTAR ISI Kata Pengantar Panitia Seminar Nasional dan Expo Teknik Elektro SNETE 2013 Daftar Reviewer Daftar Isi iii v vii viii A. ENERGI LISTRIK Generator Mini Dengan Prinsip Termoelektrik Dari Uap Panas Kondensor Pada Sistem Pendingin 1 Ryanuargo, Syaiful Anwar dan Sri Poernomo Sari Universitas Gunadarma Rancang Bangun Sistem Penerangan Dengan Menggunakan Solar Cell Berbasis Mikrokontroler Atmega 16 8 Rouhillah dan Ilham Hasbiullah Politeknik Aceh Perancangan Prototype Generator Magnet Permanen Fluks Aksial Pada Pembangkit Listrik Tenaga Angin Untuk Penerangan Lampu Jalan 12 Dhiyaul Farhan M. Nur, Ramdhan Halid Siregar dan Mahdi Syukri Perancangan Alternator Kecepatan Rendah Yang Di Pakai Pada Turbin Angin Tipe Horizontal Multi Blade Di Pantai Alue Naga Aceh Besar 20 Analdi Muttaqin, Mahdi Syukri dan Ramdhan Halid Siregar Studi Kelayakan Investasi Pembangkit Listrik Tenaga Mini Hidro di Bendungan Krueng Jreu Indrapuri Aceh Besar 29 Hendrayana, Syukriyadin, Fadli dan Muhammad Rizal Fachri Operasi Ekonomis Melalui Pengaturan Frekwensi Sistem 37 Joko Pitoyo, Haryo Pramita Sedewa dan Ahmad Edy Syukral PLN INDONESIA Simulasi Sinkronisasi Generator 3 Fasa Pada PLTMH Isolated Berbasis Mikrokotroler Atmega Muhammad Rizal Fachri, Syukriyadin dan Hendrayana viii

10 Analisa Jaringan Distribusi 20 kv Menggunakan FMEA Pada PT. PLN Cabang Medan 49 Cholish dan Syukriadin B. TEKNIK TELEKOMUNIKASI Sistem Pengolahan Data Satelit S-NPP Berbasis CSPP: RDR ke SDR 56 Budhi Gustiandi dan Andy Indradjad Lembaga Penerbangan dan Antariksa Nasional Pengaruh Lebar Slot Aperture Pada Antena Mikrostrip Aperture Coupled 2,4 GHz 63 Ipan Suandi dan Eko Setijadi Institut Teknologi Sepuluh Nopember Prototipe Arduino Untuk Sistem Identifikasi Lokasi Berbasis GPRS 69 Edi Sukriansyah, Rahmad Dawood dan Nasaruddin Ancaman Kemanan dan Privasi pada Radio Frequency Identification Tag (RFID) Ikhtisar 75 Ernita Dewi Meutia Perbandingan Daya Penerimaan Dengan Menggunakan IEEE n dan b/g Pada Gedung ICT Center Unsyiah 82 Syahrial, Hubbul Walidainy dan Mulyadi Evaluasi Kinerja Jaringan Multihop Relay WiMAX 87 Dhara Monica Aqsa, Nasaruddin dan Muhammad Irhamsyah Pengaruh Preamble HT-Mixed dan HT-Greenfield Terhadap Throughput MAC DCF pada IEEE n 92 Teuku Yuliar Arif Analisis Performansi Jaringan 3G UMTS/WCDMA Operator XL Dengan Menggunakan Metode Drive Test (Studi Kasus ) 100 Hubbul walidainy, Melinda, Syahrial dan Aulia Al Farabi ix

11 Antena Mikrostrip Susun dengan Pencatuan Proximity Couple Untuk X-band Radar 106 Fitri Yuli Zulkifli, Nugroho Adi Saputro, Basari dan Eko Tjipto Rahardjo Universitas Indonesia Analisis Unjuk Kerja Algoritma MUSIC dan ESPRIT pada Pendeteksian Arah Kedatangan Sinyal pada Antena Array Linear 109 Muhammad Syahroni Politeknik Negeri Lhokseumawe Analisis Unjuk Kerja Jaringan WLAN IEEE g Dengan Metode ISATAP 114 Rizal Munadi, Mujir Syah Dani dan Sayed Muchallil C. ELEKTRONIKA DAN INSTRUMENTASI Pemanfaatan Mikrokontroller Tipe Atmega 8535 Sebagai Pengendali Inverter 3 Fasa Dengan Pemrograman ½ λ 118 Yohanes Rikky Wibowo dan Leonardus Heru Pratomo Universitas Katolik Soegijapranata Perancangan Sistem Pendeteksi Kondisi Kebusukan Telur Ayam Berbasis Mikrokontroler AVR Atmega8 Dengan Menggunakan Sensor LDR (Light Dependent Resistor) 124 Alfisyahrin, Fardian dan Zakaria Monitoring Secara Online Temperatur Transformator Distribusi Menggunakan Layanan Pesan Singkat (SMS) 130 Noer Soedjarwanto dan Osea Zebua Universitas Lampung Pendeteksi Kecepatan Kendaraan Menggunakan Laser Pointer Dan Fotodioda Berbasis Arduino Uno 136 Yunidar, Alfisyahrin dan Irfan Furqan D. TEKNIK INFORMATIKA DAN KOMPUTER Rancangan Change Management Bisnis Konvesional Ke E-Business Menggunakan Model E-Transformation Process-Technology-People (P-T-P) (Studi Kasus :UNIKOM) 142 Diana Effendi Universitas Komputer Indonesia x

12 Analisis kinerja XML, JSON, dan HTML data pada Web Billing System PDAM Aceh Jaya 148 Dien Taufan Lessy dan Ichsan Politeknik Aceh Penentuan Lokasi Pembangunan Industri Baru Menggunakan SAW dan AHP 152 Mutammimul Ula Universitas Malikussaleh Rancang Bangun Aplikasi Menu Restoran dan Warung Kopi Berbasis Android 159 Jurnalis J.Hius dan Mustari STMIK U Budiyah dan Politeknik Aceh Kajian Mengenai Pemanfaatan Teknologi Virtualisasi pada Sebuah Perusahaan 166 Wina Witanti Universitas Jenderal Achmad Yani Prototipe Desain Visual Realitas Tertambah dengan Kacamata Pintar di Museum Fatahillah 172 Leonardo Adi Dharma Widya dan Yuke Ardhiati Universitas Trisakti Spektrum Ekson Sekuen Deoxyribo Nucleic Acid Menggunakan Transformasi Fourier Diskrit 179 Suhartati Agoes dan Steven Universitas Trisakti Model Transformasi Informasi Digital Dengan Metode Encoder-Decoder Perkalian Angka Sembilan 185 Bobby Yuhanda dan Nasaruddin Pengaruh Alokasi Memori Terhadap Waktu Eksekusi Pada Komputasi Hadoop Cluster 191 Harits Arunda Achsan, Taufiq Abdul Gani, Melinda, Yuwaldi Away, Zefriansyah dan Teddy Juana dan UKCC Research Group Performansi Beberapa Metode Pengacakan Citra Berbasis Discrete Cosine Transform 197 Mutia Hanum, Khairul Munadi dan Fitri Arnia Analisis Performansi Apache Web Server Pada Raspberry Pi 201 Teddy Juana, Zefriansyah, Yuwaldi Away, Melinda dan Harits Arunda A UKCC Research Group dan Rancang Bangun Sistem Informasi dan Aplikasi Penjualan pada Koperasi Kartika Salak 205 Dina Anggraini, Widiastuti dan Faizal Universitas Gunadarma xi

13 Analisa Kebutuhan User Aplikasi e-gampong (Sistem Tata Kelola dan Diseminasi Informasi Desa di Aceh Berbasis TIK) 214 Fathia Sabrina, Khairul munadi dan Rahmad Dawood Penerapan UCD pada Aplikasi Magic Book Alumni Mahasiswa Berbasis AR 220 Agus Komarudin dan Rezki Yuniarti Universitas Jenderal Achmad Yani Mengukur Tingkat Kesamaan Paragraf Menggunakan Vector Space Model untuk Mendeteksi Plagiarisme 229 Taufiq M. Isa dan Taufik Fuadi Abidin Aplikasi Pengirim dan Pembalas SMS Otomatis pada Smartphone Berbasis Android 235 Ahmad Raf ie Pratama dan Fachrudin Gilang Dewantara Universitas Islam Indonesia A Model of Information Guide for 242 Ahmadiar E. TEKNIK SISTEM KENDALI Desain 2-Dof Pi Dengan Decoupling Pada Pengaturan Level Coupled Tanks 247 Muhammad sadli, Katjuk Astrowulan dan Ali Fatoni Institut Teknologi Sepuluh Nopember Arsitektur Behavior-Based Dengan Fuzzy Untuk Navigasi Car-Like Mobile Robot 253 Sarmayanta Sembiring, Usman Baafai, Tulus dan Pernantin Tarigan Universitas Sumatera Utara xii

14 Mengukur Tingkat Kesamaan Paragraf Menggunakan Vector Space Model untuk Mendeteksi Plagiarisme Taufiq M. Isa 1) dan Taufik Fuadi Abidin 2) 1) Jurusan Matematika, FMIPA, Jl. Syech Abdurrauf No. 3, Kopelma Darussalam, Banda Aceh, 23111, Indonesia 2) Jurusan Informatika, FMIPA, Jl. Syech Abdurrauf No. 10, Kopelma Darussalam, Banda Aceh, 23111, Indonesia ABSTRACT A statement cited from other sources but is not referenced correctly can be categorized as plagiarism. Plagiarism can be identified by measuring the similarity of paragraphs in documents. If a database has n documents, the complexity to calculate the degree of similarity between two documents is O(n 2 ), and if the value of n is very large, the calculation will take a lot of time. In this paper, we propose and describe an algorithm to measure the similarity of documents. The process is started by finding k relevant documents using swish-e (simple web indexing system for humans - enhanced), and then, the vectors of paragraphs are constructed. Cosine angle of two vectors is computed to measure the similarity of paragraphs in the documents. Our results show that the algorithm works well to measure the similarity of paragraphs in document. Key words Vector Space Model, tingkat kesamaan paragraf, pendeteksian plagiarisme 1. Pendahuluan Kemajuan teknologi berdampak positif dan negatif. Dampak positif telah banyak dirasakan oleh manusia dan tidak perlu dibahas lagi, sedangkan dampak negatif masih harus terus dikurangi dan dicarikan langkah solutifnya. Kemudahan seseorang untuk mendapatkan dokumen secara online adalah salah satu contoh dari dampak positif kemajuan teknologi internet. Namun, ketika kemudahan itu kemudian disalahgunakan dengan mengutip tulisan orang lain tanpa menulis rujukan secara benar maka tindakan plagiarisme akan terus meningkat. Tulisan atau potongan tulisan yang diambil dari tulisan orang lain, sengaja atau tidak sengaja, bila tidak dirujuk dengan baik dan benar, dapat dikategorikan sebagai 229 plagiarisme. Sebagai contoh, artikel yang berjudul RI as a new middle power yang ditulis oleh salah seorang profesor di the Jakarta Post pada tanggal 12 November 2009 diduga sangat mirip dengan artikel yang ditulis oleh Carl Ungerer yang berjudul The Middle Power Concept in Australian Foreign Policy yang dipublikasikan di Australian Journal of Politics and History, volume 53(4), halaman pada tahun Karena tulisan sang professor lebih baru dari tulisan yang ditulis Carl Ungerer maka diduga tindakan plagiarisme telah terjadi pada tulisan tersebut [1]. Surat edaran yang dikeluarkan oleh Direktorat Jenderal Pendidikan Tinggi (DIKTI), Kementerian Pendidikan dan Kebudayaan pada tanggal 18 Oktober 2010 perihal pencegahan dan penanggulangan plagiat menyebutkan bahwa dalam penentuan kenaikan jabatan akademik seorang guru besar diperlukan penilaian sejawat (peer review) oleh minimal 2 orang guru besar dari perguruan tinggi lain. Langkah itu perlu mendapat apresiasi, namun dalam melakukan penilaian sejawat, sangat sulit bagi penilai memeriksa dan membandingkan karya ilmiah yang diajukan dengan karya ilmiah lain satu per satu. Membandingkan karya ilmiah secara manual akan menghabiskan banyak waktu dan tenaga. Oleh karena itu, dibutuhkan aplikasi yang dapat menentukan kemiripan dokumen atau bagian dalam dokumen dengan cepat [2]. Jika tingkat kesamaan antar dokumen atau bagian dari dokumen tinggi maka dapat diduga telah terjadi tindakan plagiarisme pada dokumen atau bagian dari dokumen tersebut. Membandingkan sebuah dokumen dengan semua dokumen yang ada dalam database juga membutukan banyak waktu walaupun dilakukan dengan bantuan komputer. Jika terdapat n buah dokumen dalam database maka kompleksitas untuk menghitung tingkat kesamaan antar pasangan dokumen adalah O(n 2 ). Bila n cukup besar maka proses perhitungan membutuhkan waktu yang lama. Untuk itu, penentuan k buah dokumen yang relevan harus

15 dilakukan terlebih dahulu sebelum tulisan dalam dokumen dibandingkan satu per satu. Penentuan k buah dokumen yang relevan dapat dilakukan menggunakan aplikasi swish-e (simple web indexing system for humans enhanced). Swish-e dapat membangun indeks, menentukan peringkat (ranking), dan mempercepat proses pencarian dokumen berdasarkan kata kunci (query) yang diinputkan oleh pengguna, sama seperti cara kerja mesin pencari (search engine) [4]. Setelah filterisasi dilakukan, vector space model dari setiap paragraf dalam k dokumen akan dibangun. Jika dua buah vektor paragraf diposisikan pada bidang orthogonal maka kedua vektor tersebut akan membentuk sudut. Nilai dari sudut kosinus yang dibentuk oleh kedua vektor itu dapat digunakan untuk mengukur similaritas dari kedua paragraph [5]. Vektor yang berhimpit (bersudut 0 derajat) nilai kosinusnya 1 yang berarti sangat mirip, sebaliknya jika kedua vector bertolak belakang membentuk sudut 90 derajat maka nilai kosinusnya 0 yang artinya tidak ada kesamaan. Kontribusi dari naskah ini adalah: 1. Mendeskripsikan bagaimana swish-e mengindeks dokumen dalam format PDF dan menampilkan dokumen yang relevan berdasarkan query yang diinput oleh pengguna. 2. Membangun vector space model dan menggunakan pengukuran sudut kosinus untuk menentukan similaritas paragraf dalam dokumen. 3. Membuat prototipe aplikasi untuk mendeteksi kesamaan antar dokumen. 1.1 Plagiarisme Menurut Kamus Besar Bahasa Indonesia [6], plagiat adalah perbuatan mengambil karangan atau pendapat orang lain dan menjadikannya seolah-olah karangan atau pendapat itu sebagai milik sendiri. Menurut Peraturan Menteri Pendidikan Nasional nomor 17 tahun 2010, plagiat adalah tindakan secara sengaja atau tidak sengaja untuk memperoleh atau mencoba memperoleh kredit atau nilai untuk suatu karya ilmiah dengan mengutip sebagian atau seluruh karya dan/atau karya ilmiah pihak lain yang diakui sebagai karya ilmiahnya tanpa menyatakan sumber secara tepat dan memadai. Sementara, plagiator adalah orang perseorangan atau sekelompok orang pelaku plagiat, masing-masing bertindak untuk diri sendiri, untuk kelompok atau untuk dan atas nama suatu badan. 1.2 Swish-e Swish-e adalah sebuah aplikasi yang dapat digunakan untuk mengindeks dokumen dalam jumlah besar, mencari dokumen dengan cepat, dan menentukan peringkat dari dokumen secara akurat [4]. Dokumen dapat berformat HTML, TXT, dan XML. Khusus untuk dokumen PDF, perubahan ke dalam format XML atau HTML harus dilakukan terlebih dahulu sebelum swish-e membangun indeks. Swish-e merupakan pengembangan lanjutan dari versi awal yang dibuat oleh Kevin Hughes [7]. Robinowitz dalam publikasinya [4] menyebutkan bahwa swish-e dirancang bukan hanya untuk membangun indeks tetapi juga efektif untuk mencari dokumen yang telah diindeks. Kecepatan swish-e dalam membangun indeks dan mencari dokumen sangat baik sehingga cocok digunakan untuk mencari dan menyaring sejumlah dokumen. 1.3 Pembobotan TF x IDF Term Frequency (TF) dan Inverse Document Frequency (IDF) merupakan pembobotan yang sering digunakan dalam penelusuran informasi dan text mining [8]. TF merupakan pembobotan yang sederhana dimana penting tidaknya sebuah kata diasumsikan sebanding dengan jumlah kemunculan kata tersebut dalam dokumen, sementara IDF adalah pembobotan yang mengukur seberapa penting sebuah kata dalam dokumen bila dilihat secara global pada seluruh dokumen. Nilai pembobotan TF x IDF akan tinggi jika nilai TF besar dan kata yang diamati tidak ditemukan di banyak dokumen. Nilai TF dihitung menggunakan fungsi berikut: TF(d,t) = f(d, t) (1) Dimana f(d,t) adalah jumlah kemunculan kata t pada dokumen d. IDF mempertimbangkan frekuensi kata pada seluruh dokumen yang ada. Pembobotan IDF menganggap bahwa bobot sebuah kata akan besar jika kata tersebut sering muncul dalam sebuah dokumen tetapi tidak banyak dokumen yang menggandung kata tersebut. Nilai IDF dihitung menggunakan fungsi berikut: IDF(t) = log(n/df(t)) (2) Dimana df(t) adalah jumlah dokumen yang memiliki kata t. Hasil kajian sebelumnya memperlihatkan bahwa pembobotan TF x IDF dapat meningkatkan performansi secara lebih baik [9]. Nilai TF x IDF dihitung menggunakan fungsi berikut ini. 1.4 Stopword TFIDF(d,t) = TF(d,t) x IDF(t) (3) Stopword adalah kumpulan kata-kata yang memiliki nilai f(d, t) dan df(t) yang tinggi. Dengan kata lain, stopword adalah kumpulan kata yang sering muncul dalam dokumen. Karena stopword pada umumnya adalah kata penghubung yang tidak begitu penting maka stopword dapat diabaikan dan tidak ikut diindeks. 230

16 1.5 Vector Space Model (VSM) Model ruang vektor (vector space model) sering digunakan untuk mempresentasikan sebuah dokumen dalam ruang vektor [10]. Dalam kajian ini, VSM dari paragraf digunakan untuk mengukur kemiripan antara dua paragraf pada dokumen yang berbeda. Paragraf merupakan vektor berdimensi n dan parameter t adalah semua kata yang ditemukan dalam daftar leksikon (vocabulary) tanpa duplikasi. Gambar 1 memperlihatkan tiga buah vektor pada ruang dimensi 3. Nilai kosinus digunakan untuk mengukur tingkat kesamaan antar dua vektor. Pada Gambar 1, P 1 adalah vektor dari paragraf pembanding, sementara P 2 dan P 3 adalah vektor dari paragraf yang dibandingkan Gambar 1 Vector Space Model Jika P 1 adalah vektor dari paragraf pembanding dan P 2 adalah vektor dari paragraf yang dibandingkan, maka P 1 dan P 2 merupakan dua buah vektor dalam ruang berdimensi n, dimana n=3, dan θ adalah sudut yang dibentuk oleh kedua vektor tersebut. P1 P2 P1 P2 Cos (4) dimana P1 P2 merupakan inner product dari kedua vektor tersebut dan P 1 dan P 2 adalah panjang vektor. n 2 1 Pi 1 dan P P i 1 n 2 2 P2 i (5) i 1 Selanjutnya, tingkat kesamaan dari kedua vektor dihitung berdasarkan rumus sudut kosinus yang terbentuk dari kedua vektor pada bidang orthogonal. Jika kosinus bernilai 1 makan kedua vektor tersebut memiliki tingkat kesamaan yang tinggi. Jika kosinus bernilai 0 maka dapat dikatakan bahwa kedua vektor tersebut memiliki tingkat kesamaan yang rendah [11]. Sim( P, P ) 1 2 P P P P 1 2 Cos (6) Metode Penelitian 2.1 Dataset Dataset yang digunakan dalam kajian ini adalah dokumen PDF dalam bahasa Indonesia yang berasal dari repositori beberapa universitas di Indonesia (Tabel 1). Total dokumen PDF adalah sebanyak Dokumen PDF tersebut kemudian dibersihkan [11] dan diubah ke dalam format XML agar dapat diindeks oleh swish-e. Dari hasil preprocessing, ditemukan 13 file PDF yang tidak memenuhi syarat karena file tersebut hanya berisi gambar dan tanpa tulisan. Sementara untuk penelitian ini, dokumen harus memiliki minimal tulisan karena tujuan penelitian adalah menentukan kesamaan antar dokumen yang dihitung berdasarkan antar kesamaan paragraf dalam dokumen. Total dokumen yang digunakan setelah preprocessing berjumlah Tabel 1 Dataset Sumber URL Jumlah File UI ITS UNDIP 23 UNM UNS data/skripsi/pdf UPI Algoritma Proses membangun prototipe untuk mendeteksi plagiarisme dibagi menjadi dua tahap. Tahap pertama adalah mengubah format dokumen dan membangun indeks. Tahap kedua adalah menghitung nilai similaritas antara paragraf-paragraf pada sebuah dokumen dengan paragraf-paragraf pada dokumen lain yang termasuk dalam k dokumen yang relevan dari hasil perankingan yang dilakukan swish-e. Langkah-langkah pada tahap awal diilustrasikan pada Gambar 2. Pada tahapan I, dokumen dalam format PDF diubah menjadi dalam format XML. Hal ini dilakukan karena swish-e hanya dapat mengindeks dokumen dalam format HTML, TXT, dan XML. Bersamaan dengan proses perubahan format tersebut, akhir dari setiap paragraf disisipkan simbol #. Hal ini dilakukan untuk memudahkan proses identifikasi paragraf dalam dokumen saat VSM dari paragraf dibangun. Tahapan I ini dilakukan sekali saja selama tidak ada perubahan dokumen dalam database. Dengan kata lain, proses pembersihan, konversi format, dan pembangkitan indeks hanya dilakukan sekali selama database tidak berubah. 231

17 Pasangan Paragraf Seminar Nasional dan ExpoTeknik Elektro 2013 Dokumen PDF Mengubah format swish-e indeks Gambar 2 Tahapan I Dokumen XML swish-e Selanjutnya, nilai TF x IDF dihitung untuk setiap kata yang ada dalam paragraf. Dengan kata lain, nilai TF x IDF merupakan nilai elemen dari vektor paragraf yang jumlahnya sebanyak kata non-stopword dalam semua paragraf dan unik (tidak duplikasi). Setelah perhitungan TF x IDF selesai dilakukan, langkah selanjutnya adalah menghitung nilai similaritas antar paragraf untuk mengukur tingkat kemiripan antar paragraf. Nilai threshold kemiripan dapat diatur sesuai keinginan pengguna, misalnya 70%, 80%, 90%, atau 100%. Pada tahapan II, masukkan penting yang harus diberikan oleh pengguna adalah query dan parameter k. Query dapat berupa satu kata atau lebih dan jumlah maksimum dokumen yang akan diambil ditentukan oleh parameter k. Selanjutnya, semua kata tanpa duplikasi dan non-stopword dikumpulkan dari setiap paragraf. Bersamaan dengan proses ini, nilai IDF juga dihitung. Nilai TF tidak dihitung karena pada saat swish-e membangun indeks nilai TF telah dihitung. Tahapan II secara lengkap diilustrasikan pada Gambar 3. Memasukkan Query Meranking dokumen (swish-e) k dokumen yang relevan Menentukan unik kata dan nilai IDF Swish-e indeks Mengambil paragraf Paragrafparagraf 3. Hasil dan Pembahasan 3.1 Hasil Pengujian Algoritma Pengujian algoritma dilakukan menggunakan beberapa jenis query, yaitu query satu kata, dua kata, dan tiga kata. Total query adalah 15, masing-masing 5 query untuk setiap jenis. Daftar query yang digunakan dalam pengujian dirangkum pada Tabel 2. Tabel 2 Query yang digunakan Query Satu Kata Dua Kata Tiga Kata algoritma penggalian data pemrograman berbasis web pendidikan ilmu komputer kamus bahasa Indonesia jaringan logika matematika kurikulum berbasis kompetensi peluang kultur jaringan sistem informasi geografis belajar ekonomi kerakyatan pengolahan rumput laut Kemiripan antar paragraf dibagi menjadi tiga kelompoek yaitu kemiripan dengan similaritas rendah, sedang, dan tinggi. Similaritas rendah memiliki nilai similaritas antara 50-65,99%, similaritas sedang memiliki nilai kesamaan antara 66-80,99%, sedangkan similaritas tinggi memiliki nilai kemiripan antara %. Gambar 4 memperlihatkan diagram batang rata-rata similaritas untuk query satu kata. Menghilangkan stopwords Mencari nilai TF x IDF Query Satu Kata Menghitung similaritas paragraf Membangun Vector Space Model Rendah Sedang Tinggi Nilai similaritas antar paragraf Similaritas Gambar 3. Tahapan II Gambar 4. Rata-rata similaritas untuk query satu kata 232

18 Pasangan Paragraf Pasangan Paragraf Pasangan paragraf Seminar Nasional dan ExpoTeknik Elektro 2013 Hasil kajian menggunakan query satu kata menunjukkan bahwa pasangan paragraf dalam kelompok similaritas tinggi lebih banyak dibanding dengan pasangan paragraf dengan similaritas rendah dan sedang. Jumlah rata-rata pasangan paragraf dalam kelompok similaritas tinggi adalah 21,6 pasang, diikuti dengan kelompok similaritas rendah dan kelompok similaritas masing-masing bernilai 15,0 dan 8,2. Gambar 5 memperlihatkan diagram batang dari rata-rata similaritas untuk query dua kata Query Dua Kata Rendah Sedang Tinggi Similaritas Rata-rata Query Satu, Dua, dan Tiga Kata Rendah Sedang Tinggi Similaritas Gambar 7. Rata-rata similaritas untuk semua query Prototipe Aplikasi Pendeteksian Plagiarisme Prototipe dari aplikasi pendeteksian plagiarisme telah diimplementasikan dan diuji kemampuannya mendeteksi kemiripan pasangan paragraf. Gambar 8 memperlihatkan tampilan awal dari prototipe tersebut. Gambar 5. Rata-rata similaritas untuk query dua kata Gambar 5 memperlihatkan bahwa hasil query dua kata juga mirip dengan hasil query satu kata. Jumlah pasangan paragraf dengan similaritas tinggi lebih banyak bila dibanding dengan similaritas rendah dan sedang. Jumlah rata-rata pasangan paragraf dengan similaritas tinggi adalah 1461,6 pasang, diikuti dengan kelompok similaritas rendah dan kelompok similaritas sedang masing-masing 581,0 dan 6,0. Hasil kajian untuk query tiga kata (Gambar 6) dan semua query (Gambar 7) menunjukkan bahwa algoritma yang diusulkan berhasil mendeteksi dengan baik kemiripan dari pasangan paragraf. Hasil kajian memperlihatkan bahwa pasangan paragraf dengan similaritas tinggi dapat dideteksi dengan baik. Gambar 8. Tampilan awal aplikasi Query Tiga Kata Rendah Sedang Tinggi Similaritas Gambar 6. Rata-rata similaritas untuk query tiga kata Gambar 9. Keluaran dari aplikasi Halaman awal menyediakan fasilitas untuk mengunggah file dalam format PDF untuk diperiksa tingkat similaritasnya dengan dokumen-dokumen yang ada dalam database. Pengguna juga harus menentukan query dan nilai k atau jumlah dokumen yang relevan yang ingin dicari (Gambar 9). 233

19 4. Kesimpulan dan Saran 4.1 Kesimpulan Hasil kajian menunjukkan bahwa algoritma yang diusulkan dapat mendeteksi dengan baik kesamaan antar dua dokumen. Penentuan similaritas dokumen dilakukan dengan memecah dokumen menjadi paragraf-paragraf. Hasil kajian menggunakan query satu kata, dua kata, dan tiga kata memperlihatkan bahwa pasangan paragraf dengan similaritas tinggi lebih banyak ditemukan dalam dokumen. Temuan ini membuktikan secara empirik bahwa algoritma yang diusulkan dapat mendeteksi dengan baik kesamaan dokumen melalui kesamaan paragraf dalam dokumen. 4.2 Saran Penyempurnaan terhadap prototipe aplikasi masih harus dilakukan. Saat ini, pengguna hanya dapat membandingkan sebuah dokumen dalam format PDF dengan sejumlah dokumen dalam database yang telah disediakan dan belum dapat menentukan database pembanding sesuai keinginan. Analisa terhadap waktu perbandingan juga perlu dilakukan. Selain itu, dalam menghitung kemiripan paragraf, algoritma belum dapat mempertimbangkan posisi kata sehingga kata dalam urutan A dan B akan sama similaritasnya dengan kata dalam urutan B dan A. Pada kajian lanjutan, urutan dan posisi kata dalam tulisan akan diperhitungkan. REFERENSI [1] Thejakartapost, 2013, Plagiarism, com/news/2010/02/04/plagiarism.html, akses 7 Jan [2] C. K. Kent, N. Salim, 2010, Features Based Text Similarity Detection, Journal of Computing, vol 2 (1). [3] Z. P. Yang, Y. Zeng, Yanshan, 2010, The Design and Implementation of Document Similarity Detecting System, Journal of Information and Computional Science, vol 7(3). [4] J. Robinowitz, 2004, Indexing Arbitary Data with Swishe, The Proceedings of the 2004 USENIX Technical Conference. [5] C. Manning, P. Raghavan, H. Schutze, 2008, Introduction to Information Retrieval, New York. [6] Departemen Pendidikan dan Kebudayaan, 1990, Kamus Besar Bahasa Indonesia, Balai Pustaka, Jakarta. [7] B. Moseley, 2005, Swish-e Documentation, Free Software Foundation, Inc., Boston, USA. [8] K. S. Jones, 2004, A Statistical Interpretation of Term Specify and Its Application in Retrieval, Journal of Documentation, vol 60 (2), pp [9] J. Ramos, 2003, Using TF-IDF to Determine the Word Relevance in Document Queries, Department of Computer Science, Rutgers University, NJ, USA. [10] Turney, P. D. Pantel, Patrick, 2010, From Frequency to Meaning: Vector Space Models of Semantics, Journal of Artificial Intelegence Reseach, vol 37, pp [11] Witten I, Moffat A, Bell T., 1999, Managing Gigabytes: Compressing and Indexing Documents and Images, 2nd edition, Morgan Kaufmann: San Francisco, CA. [12] J. Han, M. Kamber, 2006, Data Mining Concepts and Techniques, Morgan Kaufmann, Oxford. 234