BAB IV HASIL DAN PEMBAHASAN
4.1 Perancangan Model dan Algoritma Kesamaan Metadata
Gambar 4 berikut ini adalahvisualisasi proses perhitungan kesamaan
metadata.
Gambar 4. Visualisasi proses perhitungan kesamaan metadata
Dari Gambar 4dapat dilihat bahwa metadatadari dokumen penelitian digunakan sebagai input. Sebelum dilakukan proses perhitungan kesamaan, input yang berupa teks haruslah melalui tahap preprocessing ( text processing dan
indexing ) sebelum dilakukan proses perhitungan kesamaan metadata.Text processing dilakukan dengan tambahan library dari apache.org yaitu Lucene 3.6.1.
Model kesamaan yang dimaksud adalah model matematika untuk perhitungan kesamaan metadata. Dimisalkan jumlah metadata yang digunakan pada perhitungan kesamaan dan pembobotan untuk sebuah skema adalahnmetadata. Model matematika dari rumus cosine similarity dijelasan pada persamaan (1). Metadata of research document Pre processing DB Count Similarity Sorting
commit to user
(1)
Dimana similarity adalah nilai kesamaan dari satu jenis metadata, misalkan saja nilai kesamaan dari judul. A adalah vektor yang terbentuk dari salah satu
metadata sebuah dokumen dan B adalah vektor dari salah satu metadatadokumen lainnya. A dan Badalah metadata dengan jenis yang sama, misalkan A menyatakan judul maka B juga menyatakan judul. Ai adalah nilai dari index ke i pada vektor A begitu juga dengan Bi. n menyatakan jumlah indeks dari vektor yang terbentuk. Vektor vektor yang terbentuk berisi nilai hasil perhitungan TF- IDF untuk setiap term atau kata yang ada dalam metadata.
Jika jumlah metadata dari sebuah dokumen adalah n, maka dapat dimodelkan pada persamaan (2) .
(2)
Dimana sim_dok adalah nilai kesamaan total metadata - metadata dari dua dokumen. Namun karena bobot tiap metadata tidaklah sama, maka nilai kesamaan totalnya dapat dimodelkan pada persamaan (3) .
(3)
Dimana Wiadalahbobot dari masing masing metadata. Nilai sim_dok inilahyang dijadikan nilai akhir dari kesamaan dua buah dokumen yang dibandingkan. Setelah model matematika dari perhitungan kesamaan metadata
dibuat, tahap selanjutnya adalah pembuatan kode semu dan implementasi menjadi kode program untuk pengujian.
Berikut ini adalah kodesemudari algoritma yang sudah dirancang . Kode semu berikut digunakan untuk menghitung satu jenis metadata, jika terdapat nmetadata maka dilakukan sebanyak n kali.
commit to user
19
//membuat vektor yang berisi kata-kata dari metadata lama dan baru
vektorLama; vektorBaru;
//membuat vektor baru yang berisi semua kata unique gabungan dari vektorLama dan vektorBaru
vektorSemuaTerm ;
//membuat vektor yang berisi term frequency dari setiap kata yang ada pada masing masing vektor (lama dan baru)
vektorTermFrequensiLama; vektorTermFrequensiBaru;
//mengisi term frequency untuk vektorTermFrequensiLama //cek semua isi dari vektor yang berisi semua unique term
int j = 0;
for (cek semua isi dari vektorSemuaTerm) { double i = 0;
for (cek semua isi dari vektorLama) { if (isi termLama= isi termUniq) { i++;
}}
vektorTermFrequensiLama[j] = i;
//merubah isi vektor yang berisi term frequency menjadi TF-IDF dengan cara dikalikan nilai IDF
dari setiap kata yang ada di vektor unique term
double idf = 0;
(cek semua isi dari index) { if(index=termUniq)) { idf = index.getIDF(); break;
} }
vektorTermFrequensiLama[j] = vektorTermFrequensiLama[j] * idf; j++;
commit to user
//mengisi term frequency untuk vektorTermFrequensiBaru //cek semua isi dari vektor yang berisi semua unique term
j = 0;
(cek semua isi dari vektorSemuaTerm) { double i = 0;
(cek semua isi vektorBaru) {
if (ada yang sama dengan termUniq) {i++;}} vektorTermFrequensiBaru[j] = i;
double idf = 0;
(cek semua isi index) {
if(index=termUniq) {idf = index.getIDF(); break; }} vektorTermFrequensiBaru[j] = vektorTermFrequensiBaru[j] * idf; j++; }
//hitung dot product
double dot = 0;
for (int k = 0; k < vektorTermFrequensiLama.length; k++) { dot += vektorTermFrequensiLama[k] * vektorTermFrequensiBaru[k]; }
commit to user
21
//mencari panjang vektor dari vektor yang berisi nilai TF-IDF dari vektor lama dan baru
double pjgVektorTFIDFLama= 0;
for (int i = 0; i < panjang vektorTermFrequensiLama; i++) { pjgVektorTFIDFLama+= pangkat(vektorTermFrequensiLama[i], 2); }
pjgVektorTFIDFLama= akar(pjgVektorTFIDFLama); double pjgVektorTFIDFBaru = 0;
for (int i = 0; i < panjang vektorTermFrequensiBaru; i++) { pjgVektorTFIDFBaru += pangkat(vektorTermFrequensiBaru[i], 2); }
pjgVektorTFIDFBaru = akar(pjgVektorTFIDFBaru);
double panjangTotal = pjgVektorTFIDFLama* pjgVektorTFIDFBaru; if (dot == 0 atau panjangTotal == 0) {
kembalikan nilai 0; }
//nilai kesamaan adalah dot product dari vektor lama dan baru di
bagi (panjang vektor lama dikali panjang vektor baru)
double sim = dot / panjangTotal;
//setelah dapat nilai kesamaannya, selanjutnya adalah mengalikannya dengan bobot masing masing metadata. total kesamaan didapat dengan menjumlahkan seluruh nilai kesamaan setelah di bobot
commit to user
4.2 Pengujian
Keterangan pengujian adalah sebagai berikut :
1. Pengujian dilakukan per skema, maksudnya adalah setiap data testing akan diujikan dengan seluruh data set yang skemanya sama dengan data testing. 2. Setelah data testing dibandingkan dengan seluruh data set, lalu dipilihlah data
dengan nilai kesamaan terbesar. Selanjutnya kumpulan data pengujian yang memiliki nilai kesamaan terbesar akan ditunjukkan kepada reviewer LPPM UNS untuk divalidasi apakah nilai kesamaan teks nya bisa diterima.
3. Data testing dituliskan sebagai data ke 1 sampai data ke 9. Iddata hasil adalah nomer identitas dari data set dalam database. Id yang terpilih adalah Id dari dokumen yang memiliki nilai kesamaan metadata paling besar dengan
data testing.
4.3.1 Pengujian 1
Keterangan pengujian
Jenis Skema : Hibah Bersaing
Judul Data Testing : Model Peningkatan Kompetensi Pemandu Wisata Lokal Melalui Metode Tourism Interpretation Untuk Mendukung Pengembangan Pariwisata Berbasis Masyarakat Secara Berkelanjutan
Id Data Hasil : 88
Judul Data Hasil : Pengelolaan Kawasan Wisata Berbasis Masyarakat Sebagai Upaya Penguatan Ekonomi Lokal Dan Pelestarian Sumber Daya Alam Di Kabupaten Karanganyar
commit to user
23
Table 6.Daftar nilai kesamaan metadata metadata nilai tanpa bobot (%) bobot (%) nilai terbobot judul 0.25 5 1.23 abstrak 0.42 10 4.25 masalah 0.65 7.5 4.87 urgensi 0.41 35 14.37 tujuan 0.48 7.5 3.61 pustaka 0.62 15 9.24 metode 0.50 20 10.07 Total 3.33 47.64 Hasil Analisa :
Dari pengujian 1 didapatkan nilai total kesamaan cukup besar, sebesar 47.64% . Nilai kesamaan terbobot terbesar didapat dari Urgensi yaitu sebesar 14.37%.Urgensi memiliki bobot tertinggi pada skema Hibah Bersaing sehingga nilainya pun mempengaruhi nilai totalnya. Proporsi nilai Urgensi tanpa pembobotan adalah 12% dari nilai totaldan setelah pembobotan adalah 30% dari nilai total.Sedangkan Proporsi nilai Masalah tanpa pembobotan adalah 19% dari nilai total dan setelah pembobotan adalah 10% dari nilai total.Hal ini menunjukkan bahwa dengan pembobotan Urgensi menjadi lebih penting dari pada Masalah.
4.3.2 Pengujian 2
Keterangan pengujian
Jenis Skema : Hibah Bersaing
Judul Data Testing : Pemberdayaan Perempuan Pengrajin Batik Girli Untuk Meningkatkan Perekonomian Keluarga Dan Mengembangkan Desa Wisata Di Kabupaten Sragen Id Data Hasil : 91
Judul Data Hasil : Model Pemberdayaan Perempuan Miskin Melalui Pengembangan Kewirausahaan Keluarga Menuju Ekonomi Kreatif Di Kabupaten Karanganyar Tabel 7 Berikut ini menjelaskan nilai kesamaan tiap metadata secara detail.
commit to user
Table 7.Daftar nilai kesamaan metadata metadata nilai tanpa bobot (%) bobot (%) nilai terbobot judul 0.26 5 1.31 abstrak 0.21 10 2.09 masalah 0.16 7.5 1.17 urgensi 0.29 35 10.29 tujuan 0.16 7.5 1.22 pustaka 1.00 15 14.93 metode 0.45 20 9.09 Total 2.53 40.09 Hasil Analisa :
Dari pengujian 2 didapatkan nilai total kesamaan cukup besar, yaitu40.09 %. Nilai kesamaan terbobot terbesar didapat dari Pustakayaitu sebesar 14.93%. Proporsi nilai Urgensi tanpa pembobotan adalah 11.5% dari nilai total dan setelah pembobotan adalah 26% dari nilai total. Sedangkan Proporsi nilai Pustaka tanpa pembobotan adalah 39% dari nilai total dan setelah pembobotan adalah 37% dari nilai total. Nilai terbobot dari Pustaka lebih besar dari Urgensi karena karena nilai kesamaannya adalah ±100%.
4.3.3 Pengujian 3
Keterangan pengujian
Jenis Skema : Hibah Bersaing
Judul Data Testing : Pengembangan Kanal Fleksibel Berbahan Beton Memadat Mandiri Berserat Limbah Kaleng dan Limbah Plastik
Id Data Hasil : 67
Judul Data Hasil : Rekayasa Beton Serat Performa Tinggi Dengan Serat Baja Multi Dimensi
commit to user
25
Table 8.Daftar nilai kesamaan metadata metadata nilai tanpa bobot (%) bobot (%) nilai terbobot judul 0.25 5 1.26 abstrak 0.35 10 3.51 masalah 0.34 7.5 2.57 urgensi 0.44 35 15.39 tujuan 0.05 7.5 0.35 pustaka 0.32 15 4.79 metode 0.26 20 5.21 Total 2.01 33.07 Hasil Analisa :
Dari pengujian 3 didapatkan nilai total kesamaan sebesar 33.07 %. Nilai kesamaan terbobot terbesar didapat dari Urgensi yaitu sebesar 15.39%. nilai kesamaan dari Urgensi sebelum dibobot mendekati 0.5 yang berarti cukup mirip. Proporsi nilai Urgensi tanpa pembobotan adalah 20% dari nilai total dan setelah pembobotan adalah 46% dari nilai total. Hal ini menunjukkan kepentingan dari Urgensi yang tinggi dalam pada skema Hibah Bersaing.
4.3.4 Pengujian 4
Keterangan pengujian
Jenis Skema : Fundamental
Judul Data Testing : Pendidikan Ekologis Berbasis Mitos Masyarakat di daerah Rawan Bencana di Tawangmangu, Kabupaten Karanganyar, Jawa Tengah
Id Data Hasil : 94
Judul Data Hasil : Mitos Prabu Boko Dalam Menjaga Keseimbangan Alam Di Dusun Pancot, Tawangmangu, Karangnyar Tabel 9 Berikut ini menjelaskan nilai kesamaan tiap metadata secara detail.
commit to user
Table 9.Daftar nilai kesamaan metadata metadata nilai tanpa bobot (%) bobot (%) nilai terbobot judul 0.22 5 1.08 abstrak 0.72 5 3.61 masalah 0.92 7.5 6.89 manfaat 1.00 30 30.00 tujuan 1.00 7.5 7.50 pustaka 0.99 30 29.65 metode 0.80 15 12.03 Total 5.65 90.75 Hasil Analisa :
Dari pengujian 4 didapatkan nilai total kesamaan sebesar 90.75%. Nilai kesamaan terbobot terbesar didapat dari Manfaatyaitu sebesar 30.00%. Dengan melihat pada nilai kesamaan per metadata pada Manfaat dan Tujuan didapatkan nilai kesamaan sebesar 1 yang berarti sama persis. Dapat dilihat bahwa seluruh
metadata memiliki nilai kesamaan yang besar. Pustaka juga memiliki nilai kesamaan yang besar. Dapat dilihat bahwa seluruh bagian metadata memiliki nilai kesamaan yang cukup besar. Oleh karena itu, pengujian ini perlu diteliti lebih lanjut oleh seorang reviewer.
4.3.5 Pengujian 5
Keterangan pengujian
Jenis Skema : Fundamental
Judul Data Testing : Digraf Eksentrik Dari Graf Friendship Dan Graf Firecracker
Id Data Hasil : 27
Judul Data Hasil : Pelabelan L(D,2,1) Pada Graf Star, Graf Sun Dan Graf Wheel Untuk Pola Penentuan Channel Stasiun Radio
commit to user
27
Table 10.Daftar nilai kesamaan metadata Metadata nilai tanpa bobot (%) bobot (%) nilai terbobot Judul 0.42 5 2.10 Abstrak 0.20 5 1.02 Masalah 0.18 7.5 1.33 Manfaat 0.32 30 9.61 Tujuan 0.44 7.5 3.26 Pustaka 0.22 30 6.65 Metode 0.30 15 4.43 Total 2.08 28.41% Hasil Analisa :
Dari pengujian 5 didapatkan nilai total kesamaan yang tidak besar, yaitu28.41%. Nilai kesamaan terbobot terbesar didapat dari Manfaatyaitu sebesar 9.61%. sebelum pembobotan, nilai kesamaan yang terbesar adalah Judul yang menunjukkan bahwa Judulnya cukup mirip. Namun Judul bukanlah aspek utama dalam skema Fundamental. aspek utama dari skema Fundamental adalah Manfaat dan Pustaka. Proporsi nilai Manfaat tanpa pembobotan adalah 15% dari nilai total dan setelah pembobotan adalah 33% dari nilai total. Sedangkan proporsi nilai Tujuan tanpa pembobotan adalah 21% dari nilai total dan setelah pembobotan adalah 11% dari nilai total. Hal ini menunjukkan bahwa dengan pembobotan Manfaat menjadi lebih penting dari pada Tujuan.
commit to user
4.3.6 Pengujian 6
Keterangan pengujian
Jenis Skema : Fundamental
Judul Data Testing : Karakteristik Komposit Berpori Berbahan Dasar Sampah Sebagai Alternatif Pengganti Core Komersial Id Data Hasil : 26
Judul Data Hasil : Rekayasa Pengaturan Epoxy/Montmorilonite Organoclay/ Serat Gelas Untuk Mendapatkan
Komposit Nano Dengan Karakteristik Struktur Mikro Dan Sifat Mekanis Kualitas Tinggi
Tabel 11 Berikut ini menjelaskan nilai kesamaan tiap metadata secara detail.
Table 11.Daftar nilai kesamaan metadata Metadata nilai tanpa bobot (%) bobot (%) nilai terbobot Judul 0.10 5 0.51 Abstrak 0.16 5 0.78 Masalah 0.17 7.5 1.28 Manfaat 0.72 30 21.47 Tujuan 0.17 7.5 1.31 Pustaka 0.10 30 2.98 Metode 0.21 15 3.20 Total 1.63 31.53 Hasil Analisa :
Dari pengujian 6 didapatkan nilai total kesamaan sebesar 31.53%. Nilai kesamaan terbobot terbesar didapat dari Manfaatyaitu sebesar 21.47%.. Bobot sebesar 30% diberikan pada Manfaat karena pada skema Fundamental manfaat dianggap penting. Selain pada Manfaat, skema Fundamental juga berfokus pada Pustaka sehingga diberikan bobot 30%. Pada pengujian ini nilai kesamaan Pustaka hanya 0.10, sehingga seorang reviewer dapat melihat lebih teliti pada Manfaat dikarenakan nilai kesamaannya yang besar.
commit to user
29
4.3.7 Pengujian 7
Keterangan pengujian
Jenis Skema : Strategis Nasional
Judul Data Testing : Manipulasi Pupuk Organik Untuk Meningkatkan Efisiensi Pupuk Nitrogen Dan Kualitas Hasil Tanaman Padi (Oryza Sativa L.)
Id Data Hasil : 80
Judul Data Hasil : Pengelolaan Tanaman Lorong Dan Tanaman Penutup Tanah Sebagai Jaring Penyelamat Hara Dan
Pengendali Nitrifikasi Pada Kebun Kelapa Sawit (Elaeis Guineensis Jacq.)
Tabel 12 Berikut ini menjelaskan nilai kesamaan tiap metadata secara detail.
Table 12.Daftar nilai kesamaan metadata Metadata nilai tanpa bobot (%) bobot (%) nilai terbobot Judul 0.03 10 0.32 Abstrak 0.26 15 3.88 Urgensi 0.25 20 5.07 Masalah 0.33 15 4.88 Manfaat 0.25 25 6.32 Tujuan 0.43 15 6.40 Total 1.55 26.86 Hasil Analisa :
Dari pengujian 7 didapatkan nilai total kesamaan yang tidak besar, yaitu26.86%. Nilai kesamaan terbobot terbesar didapat dari Tujuan yaitu sebesar 6.40%. Meskipun Tujuan memiliki kesamaan yang cukup besar, Tujuan bukanlah aspek utama pada skema Strategis Nasional. Pada skema Strategis Nasional, Manfaat dan Urgensi dianggap lebih penting. Sehingga bobot yang cukup besar diberikan pada Manfaat dan Urgensi. Pada pengujian 7 nilai kesamaan Manfaat dan Urgensi tidaklah besar.
commit to user
4.3.8 Pengujian 8
Keterangan pengujian
Jenis Skema : Strategis Nasional
Judul Data Testing : Pengentasan Kemiskinan Melalui Pendekatan Pembangunan Sistem Nafkah Berkelanjutan (Sustainable Livelihoods Approach-Sla) Id Data Hasil : 52
Judul Data Hasil : Harmonisasi Kebijakan Pengentasan Kemiskinan Di Indonesia Dengan Program Millennium Development Goals Dalam Rangka Menciptakan Iklim Kondusif Untuk Mengurangi Kemiskinan
commit to user
31
Tabel 13 Berikut ini menjelaskan nilai kesamaan tiap metadata secara detail.
Table 13.Daftar nilai kesamaan metadata Metadata nilai tanpa bobot (%) bobot (%) nilai terbobot Judul 0.20 10 1.96 Abstrak 0.11 15 1.61 Urgensi 0.41 20 8.25 Masalah 0.43 15 6.47 Manfaat 0.23 25 5.83 Tujuan 0.03 15 0.46 Total 1.41 24.57 Hasil Analisa :
Dari pengujian 8 didapatkan nilai total kesamaan yang tidak besar, yaitu sebesar 24.57%. Nilai kesamaan terbobot terbesar didapat dari Urgensi yaitu sebesar 8.25%. Sebelum pembobotan nilai kesamaan yang terbesar adalah Masalah, namun Masalah bukanlah aspek utama dalam skema Strategis Nasional sehingga nilai terbobotnya tidak lebih besar dari Urgensi. Proporsi nilai Urgensi tanpa pembobotan adalah 29% dari nilai total dan setelah pembobotan adalah 33% dari nilai total. Sedangkan Proporsi nilai Masalah tanpa pembobotan adalah 30% dari nilai total dan setelah pembobotan adalah 26% dari nilai total. Hal ini menunjukkan bahwa dengan pembobotan Urgensi menjadi lebih penting dari pada Masalah.
4.3.9 Pengujian 9
Keterangan pengujian
Jenis skema : Strategis Nasional
Judul data testing : Analisis Morfologi Tanaman Dan Kadar Protein Biji Hubungannya Dengan Kualitas Hasil Olahan Beberapa Varietas Kedelai Lokal Dan Impor ID Data Hasil : 47
Judul data Hasil : Pencirian Tanaman Manggis (Garcinia Mangostana L.) Di Jawa Sebagai Upaya Pemuliaan Dan
commit to user
Tabel 14 Berikut ini menjelaskan nilai kesamaan tiap metadata secara detail.
Table 14.Daftar nilai kesamaan metadata Metadata nilai tanpa bobot (%) bobot (%) nilai terbobot Judul 0.07 10 0.66 Abstrak 0.07 15 1.01 Urgensi 0.05 20 0.99 Masalah 0.11 15 1.64 Manfaat 0.01 25 0.19 Tujuan 0.11 15 1.58 Total 0.42 6.06 Hasil Analisa :
Dari pengujian 4 didapatkan nilai total kesamaan yang rendah6.06% yang berarti bahwa dokumen testing tidak mirip dengan data set yang memiliki Id 47. Nilai kesamaan terbobot terbesar didapat dari Masalah yaitu sebesar 1.64%. Pada pengujian 9 tidak didapatkan dokumen yang cukup mirip dengan data testing, kesimpulan tersebut dapat diambil dari hasil nilai total kesamaan yang didapatkan sangat kecil.
4.3.10 Validasi Reviewer
Dari sembilan pengujian yang dilakukan didapatkan dua pengujian yang menghasilkan nilai kesamaan yang besar. Data hasil pengujian yang terbesar ditunjukkan kepada reviewer untuk divalidasi. Data yang diberikan adalah data hasil pengujian 4 yang divalidasi oleh Prof.Dr.Okid Parama Astirin, M.S. dan data hasil pengujian 2 yang divalidasi oleh Dr. Eddy Heraldy, M.Si. Daftar validasi pengujian ditunjukkan oleh tabel 15 berikut ini.
commit to user
33
Table 15. Tabel validasi pengujian yang dilakukan oleh reviewer
No. Pengujian
Reviewer Validasi
Pengujian 2 Prof.Dr. Okid Parama Astirin, M.S. disetujui Pengujian 4 Dr. Eddy Heraldy, M.Si. disetujui
Maksud dari kata disetujui pada tabel 15 adalah hasil pengujian berupa nilai kesamaan dan cara pembobotannya dapat diterima oleh reviewer. Lebih lanjut,
Metadata dapat digunakan sebagai tindakan awal dalam mendeteksi tindakan plagiat dalam dokumen penelitian, yaitu pada tahap perhitungan kesamaan teks dari dokumen penelitian.Lebih jelasnya, tanggapan dari reviewer dapat dilaihat dari lampiran b. Hasil pengujian 2 dan pengujian 4 dapat dilihat pada bagian lampiran c.
commit to user
34
BAB V PENUTUP
5.1Kesimpulan
Pada penelitian ini metadata dimanfaatkan sebagai solusi untuk tindakan awal dalam mendeteksi secara cepat kesamaan teks pada dokumen penelitian. Hal ini menunjukkan bahwa jika program yang dibuat pada penelitian ini digunakan, maka seorang reviewer akan lebih mudah dalam melihat kesamaan dari banyak dokumen.Persetujuan reviewer menunjukkan bahwa penggunaan
metadata dengan pembobotan dalam menghitung kesamaan dokumen
proposal penelitian dapat diterima sebagai salah satu alat bantu dalam menilai kesamaan secara cepat sebuah proposal penelitian.
Pemberianbobot yang berbeda besarnya pada setiap metadata dapat menjadi solusi untuk memberikan tingkat kepentingan yang berbeda beda sesuai dengan jenis skema.Hal ini menunjukkan bahwa pembobotan dapat mempengaruhi proporsi nilai sebuah metadata untuk menunjukkan kepentingannya dalam sebuah dokumen penelitian.
Untuk melihat atau menganalisa nilai kesamaan per metadata dapat dilihat dari kolom nilai tanpa bobot, sedangkan untuk melihat atau menganalisa nilai kesamaan dokumen secara keseluruhan dapat dilihat dari nilai terbobot.
5.2Saran
Penerapan algoritma natural language processing akan memperbaiki nilai kesamaan karena sistem akan memiliki knowledge dari human expert, tidak sebatas perbandingan teks yang membuat sistem tidak mengerti arti dari kata kata yang dibandingkan.
Pengembangan algoritma penilaian akan lebih baik jika tidak sebatas persamaan teks saja tetapi bisa memberi keputusan apakah ada tindakan plagiat atau tidak.