PENGELOMPOKAN KODE PROGRAM C BERDASARKAN
KEMIRIPAN STRUKTUR
MENGGUNAKAN METODE
HIERARCHICAL AGGLOMERATIVE CLUSTERING
RUSMAN TRIATMOJO
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Pengelompokan Kode Program C Berdasarkan Kemiripan Struktur Menggunakan Metode Hierarchical Agglomerative Clustering adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
ABSTRAK
RUSMAN TRIATMOJO. Pengelompokan Kode Program C Berdasarkan Kemiripan Struktur Menggunakan Metode Hierarchical Agglomerative Clustering. Dibimbing oleh AHMAD RIDHA.
Tujuan penelitian ini adalah mengimplementasikan algoritme hierarchical agglomerative clustering untuk membantu pendeteksian penjiplakan pada kode program C secara otomatis dan membandingkan hasil penelitian dengan penelitian sebelumnya menggunakan metode iterasi K-means otomatis dan bisecting K-means. Data yang digunakan dalam penelitian ini sebanyak 386 kode program C yang terdiri atas 4 dataset. Metode yang digunakan Single Linkage, Complete Linkage, dan Average Linkage. Hasil clustering yang dilakukan menunjukkan eksekusi waktu metode Single Linkage sebesar 1.7220 detik dengan jumlah cluster 14 dan RI sebesar 0.9706, eksekusi waktu metode Complete Linkage sebesar 1.7500 detik dengan jumlah cluster 10 dan RI sebesar 0.8560, dan eksekusi waktu metode Average Linkage sebesar 1.7400 detik dengan jumlah cluster 14 dan RI sebesar 0.9546. Hasil penelitian ini menunjukkan adanya perbaikan waktu eksekusi clustering dari penelitian sebelumnya yang menggunakan metode iterasi K-means sebesar 8.41 detik dan metode bisecting K-means sebesar 4.69 detik.
Katakunci : Hierarchical clustering, Kode Program C, Pendeteksi penjiplakan.
ABSTRACT
RUSMAN TRIATMOJO. Grouping of C Programs Based on Structure Similarity Using Hierarchical Agglomerative Clustering. Supervised by AHMAD RIDHA.
The purpose of this research is to implement the agglomerative hierarchical clustering algorithm to assist plagiarism detection in C program code automatically and compare this research’s results with previous research using K -means automatic iteration and bisecting K--means method. The data used in this research are 386 C programs comprised of 4 datasets. The method used are Single Linkage, Complete Linkage, and Average Linkage. The results show that the execution time of Single Linkage method is 1.7440 seconds with 14 clusters found and 0.9706 of RI, the execution time of Complete Linkage method is 1.7240 seconds with 10 clusters found and 0.8576 of RI, and the execution time of Average Linkage method is 1.7340 seconds with 14 clusters found and 0.9546 of RI. The results of this research show an improved execution time of clustering from previous research using K-means automatic iteration method (11.68 seconds) and bisecting K-means method (6.64 seconds).
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada
Departemen Ilmu Komputer
PENGELOMPOKAN KODE PROGRAM C BERDASARKAN
KEMIRIPAN STRUKTUR
MENGGUNAKAN METODE
HIERARCHICAL AGGLOMERATIVE CLUSTERING
RUSMAN TRIATMOJO
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Penguji : 1 Aziz Kustiyo, SSi MKom
Judul Skripsi : Pengelompokan Kode Program C Berdasarkan Kemiripan Struktur Menggunakan Metode Hierarchical Agglomerative
Clustering
Nama : Rusman Triatmojo NIM : G64100090
Disetujui oleh
Ahmad Ridha, SKom MS Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah Subhanahu Wa Ta’ala atas segala limpahan rahmat dan karunia-Nya sehingga karya ilmiah berjudul Pengelompokan Kode Program C Berdasarkan Kemiripan Struktur Menggunakan Metode Hierarchical Agglomerative Clustering ini dapat penulis selesaikan. Shalawat dan salam tak lupa penulis curahkan kepada Nabi Besar Muhammad Shallallahu 'Alaihi Wasallam beserta seluruh keluarga, sahabat, dan para pengikutnya sampai akhir zaman.
Terima kasih penulis ucapkan kepada Bapak Ahmad Ridha, SKom MS selaku pembimbing yang telah banyak memberikan arahan dalam penyusunan skripsi ini, dan terima kasih kepada Bapak Aziz Kustiyo, SSi MKom dan Ibu Dr Imas S Sitanggang, SSi MKom selaku penguji. Selain itu, ungkapan terima kasih juga penulis sampaikan kepada teman-teman yang telah memberikan saran, motivasi, dan dukungan bagi kelancaran penyusunan skripsi ini. Tak lupa pula ungkapan terima kasih penulis sampaikan kepada ayah, ibu, serta seluruh keluarga, atas segala doa dan kasih sayangnya. Semoga skripsi ini bermanfaat.
Bogor, Agustus 2014
DAFTAR ISI
DAFTAR TABEL viii
DAFTAR GAMBAR viii
PENDAHULUAN 1
Latar Belakang 1
Perumusan Masalah 2
Tujuan Penelitian 2
Manfaat Penelitian 2
Ruang Lingkup Penelitian 2
METODE PENELITIAN 2
Pengambilan Data Penelitian 2
Pemilihan Sampel Tugas dan Pengelompokan Awal 3
Praproses data 3
Clustering 5
Penghentian Looping 6
Validasi Hasil Clustering 6
Perbandingan dengan Penelitian Sebelumnya 6
Lingkungan Implementasi 7
HASIL DAN PEMBAHASAN 7
Pengambilan dan Pemilihan Data 7
Pengelompokan Manual 7
Praproses Data 8
Hierarchical Agglomerative Clustering 9
Validasi Hasil Clustering 11
Perbandingan dengan Penelitian Sebelumnya 12
SIMPULAN DAN SARAN 13
Simpulan 13
Saran 13
DAFTAR PUSTAKA 13
DAFTAR TABEL
1 Beberapa hasil konversi term dari kode program (Burrows 2004) 4
2 Term frequency 5
3 Set data awal 7
4 Set data setelah pengelompokan manual 8
5 Hasil percobaan Single Linkage clustering untuk DataSet1 9 6 Nilai RI, jumlah cluster, jumlah dokumen, dan waktu eksekusi
clustering setiap set data percobaan Single Linkage clustering 9 7 Hasil percobaan Complete Linkage clustering untuk DataSet1 10 8 Nilai RI, jumlah cluster, jumlah dokumen, dan waktu eksekusi
clustering setiap set data percobaan Complete Linkage clustering 10 9 Hasil percobaan Average Linkage clustering untuk DataSet1 10 10 Nilai RI, jumlah cluster, jumlah dokumen, dan waktu eksekusi
clustering setiap set data percobaan Average Linkage clustering 11 11 Perbandingan hasil clustering pada saat nilai i terbaik dengan
penelitian sebelumnya 12
DAFTAR GAMBAR
1 Tahapan praproses sebelum clustering 3
2 Ilustrasi dari ukuran kesamaan kosinus 5
3 Contoh program sebelum dilakukan tokenisasi 8
4 Contoh program setelah dilakukan tokenisasi 8
DAFTAR LAMPIRAN
1 Tabel aturan konversi kode program menjadi token sederhana
(Burrows 2004) 14
2 Hasil pengelompokan manual untuk DataSet1 15
3 Hasil pengelompokan manual untuk DataSet3 16
4 Hasil pengelompokan manual untuk DataSet4 17
5 Hasil pengelompokan manual untuk DataSet1 18
PENDAHULUAN
Latar Belakang
Mata kuliah pemrograman komputer biasanya akan memberikan tugas kepada mahasiswanya untuk melatih kemampuan pemrograman. Tugas pemrograman yang diberikan umumnya berupa berkas elektronik. Tugas ini biasanya sangat rentan sekali dengan terjadinya penjiplakan yang dilakukan oleh mahasiswa. Penjiplakan yang dilakukan dapat bermacam-macam cara, misalnya mengubah variabel yang ada. Untuk memeriksa terjadinya penjiplakan dilakukan pemeriksaan kesamaan dari program yang dibuat. Namun pemeriksaan yang dilakukan secara manual akan memakan waktu lama dan melelahkan. Oleh karena itu proses pendeteksian secara cepat dan tepat sangatlah dibutuhkan.
Pemeriksaan kemiripan kode program yang dilakukan oleh Burrows (2004) ialah dengan cara mencari kode program dari query yang diberikan dan menghitung kemiripannya. Sistem yang digunakan oleh Burrows adalah structure-oriented code-based system. Sistem berbasis kode dengan berorientasikan pada struktur kode program ini membuat representasi yang lebih ringkas dari kode program. Penelitian mengenai pendeteksian penjiplakan kode program C sebelumnya dilakukan oleh Gumilang (2013) dan Notyasa (2013), keduanya mengadopsi aturan penyederhanaan yang dilakukan Burrows (2004). Gumilang (2013) dan Notyasa (2013) keduanya menerapkan pengelompokan berdasarkan kesamaan strukturnya. Penelitian yang dilakukan Gumilang (2013) mengelompokkan kode program secara otomatis dengan iterasi K-means otomatis. Iterasi K-means otomatis yaitu melakukan clustering menggunakan K-means dengan nilai K bertambah secara otomatis pada setiap iterasinya. Iterasi berhenti apabila anggota-anggota cluster hasil sudah cukup dekat dengan centroid-nya. Iterasi K-means otomatis ini membutuhkan waktu eksekusi yang lama. Hal ini dikarenakan pada setiap iterasi dilakukan proses clustering dengan jumlah dokumen yang sama dan jumlah centroid yang semakin bertambah. Sedangkan penelitian yang dilakukan Notyasa (2013) dengan hierarchical divisive clustering. Algoritme hierarchical divisive clustering yang digunakan adalah bisecting K-means. Bisecting K-means adalah algoritme hierarchical divisive clustering yang menggunakan K-means untuk pemisahan setiap cluster-nya.
2
Perumusan Masalah
Berdasarkan latar belakang yang telah dijelaskan, dapat disimpulkan bahwa:
1 Bagaimana mengimplementasikan algoritme hierarchical agglomerative clustering dalam pendeteksian penjiplakan kode program C.
2 Apakah pengelompokan kode-kode program dengan menggunakan hierarchical agglomerative clustering membutuhkan waktu eksekusi yang lebih singkat dibandingkan dengan iterasi means otomatis dan bisecting K-means.
3 Apakah hierarchical agglomerative clustering dapat menghasilkan cluster yang lebih baik dibandingkan dengan iterasi K-means otomatis dan bisecting K-means.
Tujuan Penelitian
Tujuan dari penelitian ini ialah mengimplementasikan algoritme hierarchical agglomerative clustering untuk membantu pendeteksian penjiplakan pada kode program C secara otomatis.
Manfaat Penelitian
Hasil dari penelitian ini diharapkan dapat memudahkan pemeriksaan penjiplakan kode program C, sehingga proses pemeriksaan menjadi lebih cepat dan efisien.
Ruang Lingkup Penelitian
1 Data yang digunakan adalah 386 buah kode program tugas pemrograman berbahasa C yang didapat dari data penelitian sebelumnya yang dilakukan oleh Gumilang (2013) dan Notyasa (2013)
2 Penelitian ini mengasumsikan tidak adanya makro sehingga bagian preprocessor directives dibuang semua.
METODE PENELITIAN
Secara umum terdapat 6 tahapan penelitian, yaitu pengambilan data penelitian, pemilihan sampel tugas dan pengelompokan manual, praproses data, clustering,validasi hasil, dan perbandingan dengan penelitian sebelumnya.
Pengambilan Data Penelitian
3 Pemilihan Sampel Tugas dan Pengelompokan Awal
Pada tahap ini dilakukan pemilihan sampel tugas dan pengelompokan tugas secara manual. Sampel yang dipilih pada penelitian ini memiliki tingkat kesulitan tidak terlalu mudah dan tidak terlalu sulit. Hal ini dikarenakan tugas yang terlalu mudah akan memiliki variasi algoritme pemecahan yang sedikit, sedangkan tugas yang terlalu susah cenderung memiliki jumlah kode program yang sedikit karena banyak mahasiswa yang tidak mengumpulkan tugas. Sampel yang dipilih sebanyak 92 kode program. Sampel diperiksa satu per satu dan dikelompokkan berdasarkan kemiripan algoritme dan struktur kode programnya. Pengelompokan awal ini untuk dasar sebagai perbandingan dalam validasi clustering.
Praproses data
Praproses data dilakukan untuk mengubah data mentah kode program C ke dalam format yang dapat diproses ke dalam tahapan clustering, hasil praproses data yaitu berupa term frequency. Tahapan-tahapan dalam praproses dapat dilihat pada Gambar 1.
Gambar 1 Tahapan praproses sebelum clustering Pembuangan preprocessor directives
Tahap pertama adalah pembuangan preprocessor directives. Preprocessor directives adalah sejumlah baris di awal kode program yang diawali dengan karakter “#”. Pembuangan ini dilakukan karena pada penelitian ini diasumsikan tidak adanya penggunaan makro pada kode program.
Tokenisasi
Proses Tokenisasi dilakukan untuk mendapatkan keywords dan special characters dari kode program. Pada proses tokenisasi, karakter whitespace dibuang semua sehingga didapat term atau string uniknya saja (Manning et al. 2008). Baris komentar pada kode program dibuang karena tidak berpengaruh terhadap output program. Karakter “;” juga dibuang karena merupakan karakter umum yang selalu digunakan di setiap akhir baris kode program C.
Konversi Token
Selanjutnya pada proses konversi token, keywords dan special characters kode program diubah menjadi token sederhana agar lebih ringkas dan mudah dalam pembentukan term. Kode program yang telah diubah menjadi sebuah string panjang token sederhana disebut dengan token stream (Burrows 2004). Beberapa
4
konversi kode program menjadi token sederhana dilakukan berdasarkan aturan konversi seperti pada Tabel 1. Aturan konversi kode program menjadi token sederhana lebih lengkapnya dapat dilihat pada Lampiran 1.
Tabel 1 Beberapa hasil konversi term dari kode program (Burrows 2004)
Term Token
Tabel 1 memperlihatkan perubahan penulisan kode menjadi token sederhana. ALPHANUM adalah nama fungsi nama variabel atau nilai variabel. STRING adalah sederetan karakter yang diapit oleh tanda petik (“ ”). Berikut adalah contoh kode program yang diubah menjadi token stream:
#include <stdio.h>
Tahap selanjutnya adalah proses N-gram. Pada penelitian ini metode N-gram digunakan untuk mengambil potongan-potongan karakter huruf sejumlah N dari suatu token stream. N-gram adalah potongan sejumlah N karakter dari sebuah string. N-gram merupakan sebuah metode yang diaplikasikan untuk pembangkitan kata atau karakter. Cavnar dan Trenkle (1994) menyatakan N-Gram dibedakan berdasarkan jumlah potongan karakter sebesar N. Untuk membantu dalam mengambil potongan-potongan kata berupa karakter huruf tersebut, dilakukan padding dengan blank karakter di awal dan di akhir suatu kata.
5 Tabel 2 Term frequency
Dok Term
_Nhi Nhik hikF ikHF kHFA HFAN FANj ...
dok1 1 1 1 1 1 1 1 ...
dok2 1 1 1 0 0 2 1 ...
dok3 1 1 1 1 1 3 2 ...
... ... ... ... ... ... ... ... ... Clustering
Proses pengelompokan sekumpulan objek ke dalam kelas-kelas yang objek-objeknya serupa disebut clutering. Objek-objek dalam sebuah cluster mirip satu sama lain dan berbeda dengan objek-objek dalam cluster lain (Han & Kamber 2006). Agglomerative secara rekursif menggabungkan sepasang titik yang memiliki paling banyak kesamaan ke dalam satu cluster sehingga berbentuk herarkikal. (Jain 2009). Terdapat beberapa skema yang dapat digunakan dalam penghitungan jarak yang dilakukan pada AHC, yaitu single link, complete link, centroid link, dan average link (Lance 1967).
Single link adalah proses clustering yang didasarkan pada jarak terdekat antar-objeknya (minimum distance) (Lance 1967). Complete link adalah proses clustering yang didasarkan pada jarak terjauh dari data antar-kelompok (maximum distance) (Lance 1967). Average link adalah proses clustering yang didasarkan pada jarak rata-rata antar-obyek (average distance) (Lance 1967).
Penelitian ini menggunakan ukuran kesamaan kosinus sebagai pengukur jarak antar-vektor dokumen. Kesamaan kosinus memiliki sifat semakin besar nilai persamaan kosinusnya, semakin dekat jarak kedua vektor, dan berarti semakin mirip kedua dokumen tersebut. Gambar 2 adalah ilustrasi dari ukuran kesamaan kosinus.
Gambar 2 Ilustrasi dari ukuran kesamaan kosinus
Perhitungan standar kesamaan antara dua dokumen d1 dan d2 adalah dengan menghitung kesamaan kosinus dari representasi vektor dokumen ⃗ (d1) dan ⃗ (d2). Vektor dokumen merupakan term frequency yang merepresentasikan jumlah term pada tiap dokumen. Kesamaan kosinus diformulasikan sebagai berikut:
6
Pembilang menunjukkan perkalian dalam atau dot product antara dua vector, ⃗ (d1) dan ⃗ (d2). Penyebut menunjukkan perkalian panjang jarak Euclid masing-masing vektor (Manning et al. 2008).
Penghentian Looping
Penelitian ini menggunakan nilai i sebagai parameter pemberhenti looping algoritme hierarchical agglomerative clustering. Apabila I < i maka looping dihentikan. I adalah jarak setiap dokumen. Nilai i adalah bilangan desimal antara 0 sampai 1. Penentuan nilai i terbaik dilakukan dengan melakukan percobaan. Nilai i yang diambil karena memiliki RI yang cukup baik dan memiliki banyak cluster yang mendekati hasil pengelompokan manual. Percobaan dilakukan dari nilai i=0.80 sampai i=1.00 dengan increment sebesar 0.01. Setiap percobaan i dicatat jumlah cluster, nilai akurasi Rand Index, nilai I, dan lama waktu eksekusinya.
Validasi Hasil Clustering
Validasi dari hasil clustering dilakukan pada tahap ini. Validasi clustering dilakukan dengan menggunakan perhitungan akurasi Rand Index (RI). RI menghitung persentase keputusan yang benar (Manning et al. 2008). Tujuannya adalah memasukkan dua dokumen ke dalam satu cluster yang sama jika dan hanya jika keduanya mirip. Formula RI ditunjukkan sebagai berikut:
T T T T
dengan
RI : Rand index
TP : true positive / keputusan 2 dokumen mirip berada di cluster yang sama, yang dibandingkan adalah hasil dari cluster manual dengan cluster yang dibuat oleh sistem.
FP : false positive / keputusan 2 dokumen berbeda berada di cluster yang sama, yang dibandingkan adalah hasil dari cluster manual dengan cluster yang dibuat oleh sistem.
TN : true negative / keputusan 2 dokumen berbeda berada di cluster yang berbeda, yang dibandingkan adalah hasil dari cluster manual dengan cluster yang dibuat oleh sistem.
FN : false negative / keputusan 2 dokumen mirip berada di cluster yang berbeda, yang dibandingkan adalah hasil dari cluster manual dengan cluster yang dibuat oleh sistem.
Perbandingan dengan Penelitian Sebelumnya
7 perbandingan tersebut, dapat dianalisis kelebihan dan kekurangan penelitian ini dibandingkan dengan penelitian sebelumnya.
Lingkungan Implementasi
Lingkungan implementasi perangkat keras yang digunakan pada penelitian ini berupa desktop dengan spesifikasi sebagai berikut:
Processor : Intel Core i5 @2.30GHz
Memory : 4.00 GB
Harddisk : 640GB
Perangkat lunak yang termasuk lingkungan implementasi pada penelitian ini adalah sebagai berikut:
Windows 7 Professional sebagai sistem operasi
PHP 5.3.0 sebagai bahasa pemrograman
Netbeans 7.1.2 sebagai integrated development environment
XAMPP 3.2.1 sebagai server control panel
MySQL 5.6.14 sebagai database management system
Notepad++ 6.5.2 sebagai editor
HASIL DAN PEMBAHASAN
Pengambilan dan Pemilihan Data
Data yang digunakan pada penelitian ini adalah tugas pemrograman kode program berbahasa C. Jumlah data yang digunakan sebanyak 386, yang terdiri atas 4 set data. DataSetAll merupakan gabungan semua DataSet yang digunakan dalam penelitian. Tabel 3 menunjukkan komposisi set data yang digunakan pada penelitian ini.
Tabel 3 Set data awal Set data Jumlah dokumen
DataSet1 92
8
sedikit dokumen seperti cluster yang hanya berisi 1 atau 2 kode program tersebut kemudian dihilangkan, karena cluster yang anggotanya terlalu sedikit membuat jumlah cluster yang dihasilkan totalnya menjadi lebih banyak. Hasil pengelompokan manual untuk DataSet2 dapat dilihat pada Lampiran 5. Tabel 4 menunjukkan set data setelah dilakukan pengelompokan manual.
Tabel 4 Set data setelah pengelompokan manual Set data Jumlah dokumen Cluster manual
DataSet1 92 9
Praproses data terbagi dalam beberapa tahapan, yaitu: pembuangan preprocessor directives, tokenisasi, konversi token, dan N-gram. Pembuangan preprocessor directives dilakukan karena pada penelitian ini diasumsikan tidak adanya penggunaan makro pada kode program. Berikut contoh kode program dari Contoh kode program yang telah dihilangkan preprocessor directives, whitespace, baris comments, karakter “;”, karakter “,”, dan pengubahan huruf uppercase menjadi lowercase. Gambar 3 adalah contoh program sebelum dilakukan tokenisasi, sedangkan Gambar 4 adalah contoh program setelah dilakukan tokenisasi.
printf("%lu\n", b); //cetak hasil return 0;
}
Gambar 3 Contoh program sebelum dilakukan tokenisasi main()
{
unsigned long int a n=0 long int b=0
9 Selanjutnya dilakukan proses konversi token dengan mengubah keywords dan special characters kode program menjadi deretan token sederhana yang merepresentasikan struktur kode program. Sebelum dilakukan pengubahan, dilakukan pengecekan dan penambahan spasi di awal dan akhir keywords atau special characters. Hal ini dilakukan untuk memastikan tidak terjadi kesalahan konversi karena adanya keywords atau special characters yang berhimpitan. Contoh keywords atau special characters yang berhimpitan misalnya inisialisasi variabel dari int a,n=0 setelah dilakukan tokenisasi maka menjadi int an=0, untuk itulah perlu ditambahkan spasi sehingga terpisah tidak berhimpit menjadi int a n=0. Hasil dari proses konversi token adalah string panjang token sederhana yang disebut token stream. Konversi kode program menjadi token sederhana dilakukan berdasarkan aturan konversi seperti pada Tabel 1. Berikut contoh token stream hasil konversi token kode program yang ada di Gambar 4:
NhikHFANjNoNFANoNNh5jfNiKhhNhNjNaaiimoNiNaoNNh5jNiRNl Hierarchical Agglomerative Clustering
Proses clustering pada penelitian ini menggunakan metode Single Linkage, Complete Linkage, dan Average Linkage.
Single Linkage
Tabel 5 menunjukkan hasil percobaan clustering pada DataSet1. Berdasarkan hasil percobaan tersebut, dipilih nilai i=0.81. Nilai tersebut dipilih karena memiliki rata-rata RI yang sudah cukup baik, yaitu 0.9706, dan jumlah cluster yang tidak terlalu banyak, yaitu 14. Selanjutnya dilakukan percobaan pada DataSet2, DataSet3, DataSet4, DataSetAll, dan diambil nilai i yang terbaik, dan hasilnya dapat dilihat pada Tabel 6. Untuk hasil lengkap percobaan pada Dataset1, Dataset2, Dataset3, Dataset4, dan DatasetAll dapat dilihat pada Lampiran 6, Lampiran 7, Lampiran 8, Lampiran 9, dan Lampiran 10.
Tabel 5 Hasil percobaan Single Linkage clustering untuk DataSet1 i Jumlah Cluster RI I Waktu (detik)
0.81 14 0.9706 0.7708 1.7220
0.82 16 0.9689 0.8188 1.7000
0.83 17 0.9675 0.8211 1.7210
Tabel 6 Nilai RI, jumlah cluster, jumlah dokumen, dan waktu eksekusi clustering setiap set data percobaan Single Linkage clustering
Set Data RI Jumlah Cluster Dokumen Waktu (detik)
DataSet1 0.9706 14 92 1.7220
DataSet2 0.9159 13 79 3.8610
DataSet3 0.9160 4 60 1.9300
DataSet4 0.9739 7 60 1.4600
10
Complete Linkage
Tabel 7 menunjukkan hasil percobaan clustering pada DataSet1. Berdasarkan hasil percobaan tersebut, dipilih nilai i=0.87. Nilai tersebut dipilih karena memiliki rata-rata RI yang sudah cukup baik, yaitu 0.8560, dan jumlah cluster yang tidak terlalu banyak, yaitu 10. Selanjutnya dilakukan percobaan pada DataSet2, DataSet3, DataSet4, DataSetAll, dan diambil nilai i yang terbaik dan hasilnya dapat dilihat pada Tabel 8. Untuk hasil lengkap percobaan pada Dataset1, Dataset2, Dataset3, Dataset4, dan DatasetAll dapat dilihat pada Lampiran 11, Lampiran 12, Lampiran 13, Lampiran 14, dan Lampiran 15.
Tabel 7 Hasil percobaan Complete Linkage clustering untuk DataSet1 i Jumlah Cluster RI I Waktu (detik)
0.86 9 0.8488 0.8531 1.7800
0.87 10 0.8560 0.8691 1.7500
0.88 15 0.9233 0.8761 1.7200
Tabel 8 Nilai RI, jumlah cluster, jumlah dokumen, dan waktu eksekusi clustering setiap set data percobaan Complete Linkage clustering
Set Data RI Jumlah Cluster Dokumen Waktu (detik)
DataSet1 0.8560 10 92 1.7500
Tabel 9 menunjukkan hasil percobaan clustering pada DataSet1. Berdasarkan hasil percobaan tersebut, dipilih nilai i=0.83. Nilai tersebut dipilih karena memiliki rata-rata RI yang sudah cukup baik, yaitu 0.9546, dan jumlah cluster yang tidak terlalu banyak, yaitu 14. Selanjutnya dilakukan percobaan pada DataSet2, DataSet3, DataSet4, DataSetAll, dan diambil nilai i yang terbaik, dan hasilnya dapat dilihat pada Tabel 10. Untuk hasil lengkap percobaan pada Dataset1, Dataset2, Dataset3, Dataset4, dan DatasetAll dapat dilihat pada Lampiran 16, Lampiran 17, Lampiran 18, Lampiran 19, dan Lampiran 20.
Tabel 9 Hasil percobaan Average Linkage clustering untuk DataSet1 i Jumlah Cluster RI I Waktu (detik)
0.82 14 0.9546 0.8068 1.7400
0.83 14 0.9546 0.8068 1.7400
11 Tabel 10 Nilai RI, jumlah cluster, jumlah dokumen, dan waktu eksekusi
clustering setiap set data percobaan Average Linkage clustering
Set Data RI Jumlah Cluster Dokumen Waktu (detik)
DataSet1 0.9546 14 92 1.7400
Validasi hasil clustering pada penelititan ini dilakukan dengan menggunakan ukuran akurasi RI. Hasil clustering untuk set data selain DataSet2 menghasilkan nilai RI kurang dari 1.00. Hal ini menunjukkan bahwa masih terdapat kesalahan pada hasil pendeteksian dengan menggunakan sistem. Kesalahan yang mungkin terjadi adalah dikelompokkannya 2 kode program yang berbeda ke cluster yang sama (false positive). Contoh pasangan dokumen false positive pada DataSet2 saat i=0.85 ditunjukkan pada Gambar 5.
Gambar 5 menunjukkan false positive antara dokumen D58 dan D59. Kedua kode program ini memiliki sejumlah perbedaan, namun kedua kode program tersebut dikelompokkan ke dalam cluster yang sama oleh sistem. Hal ini dapat disebabkan oleh adanya beberapa bagian kode program yang mirip sehingga token stream yang dihasilkan juga masih memiliki banyak kemiripan.
#include <stdio.h> #include <stdio.h>
unsigned long int unsigned long int F(unsigned
long int n)
12
Hasil penelitian ini dibandingkan dengan hasil pendeteksian penjiplakan kode program yang telah dilakukan oleh Gumilang (2013) dan Notyasa (2013). Algoritme yang digunakan pada penelitian Gumilang adalah algoritme flat clustering K-means. Gumilang menggunakan iterasi K-means otomatis agar banyaknya cluster yang diinginkan tidak perlu ditentukan terlebih dahulu. Notyasa (2013) menggunakan algoritme bisecting K-means. Semua proses perbandingan dilakukan pada lingkungan implementasi yang sama. Set data yang digunakan adalah DataSet1 yang berjumlah 92 kode progam. Variabel yang dibandingkan adalah rata-rata jumlah cluster, nilai RI, dan lama waktu eksekusi. Hasil clustering saat nilai i terbaik pada penelitian ini dibandingkan dengan hasil clustering saat nilai i terbaik pada penelitian Gumilang (2013) dan Notyasa (2013) hasilnya Tabel 11.
Tabel 11 Perbandingan hasil clustering pada saat nilai i terbaik dengan penelitian sebelumnya
Berdasarkan Tabel 11 dapat dilihat bahwa Single Linkage menghasilkan waktu eksekusi yang lebih cepat dan nilai RI yang lebih tinggi, sedangkan jumlah cluster yang dihasilkan lebih banyak. Complete Linkage menghasilkan waktu eksekusi yang relatif sama dengan Single Linkage dan nilai RI yang lebih rendah, sedangkan jumlah cluster yang dihasilkan tidak terlalu banyak seperti Bisecting K-means. Average Linkage menghasilkan waktu eksekusi yang lebih cepat relatif sama juga dengan Single Linkage dan Complete Linkage dengan nilai RI yang tinggi namun tidak sebagus Single Linkage, sedangkan jumlah cluster yang dihasilkan lebih banyak seperti halnya Single Linkage.
13
SIMPULAN DAN SARAN
Simpulan
Algoritme Hierarchical Agglomerative Clustering dapat diimplementasikan untuk mendeteksi penjiplakan kode program C. Hasil dari pendeteksian ini cukup baik dengan cluster yang dihasilkan memiliki rata-rata akurasi RI lebih dari 80%. Pendeteksian pada penelitian ini melakukan pengelompokan kode program dalam waktu yang lebih cepat dibandingkan pendeteksian dengan iterasi K-means otomatis dan bisecting K-means, tetapi memiliki rata-rata akurasi RI yang lebih sedikit dibandingkan dengan hasil pendeteksian dengan iterasi K-means otomatis dan bisecting K-means. Jadi berdasarkan hasil penelitian yang dilakukan, rekomendasi algoritme untuk deteksi penjiplakan kode program C yang paling bagus menggunakan metode Single Linkage.
Saran
Pendeteksian penjiplakan pada penelitian ini dilakukan hanya berorientasikan pada struktur kode program. Hal ini dapat menyebabkan terjadinya kesalahan pada pendeteksian apabila dilakukan modifikasi yang mengubah struktur kode program tanpa mengubah nilai keluarannya. Hal ini dapat diatasi pada penelitian selanjutnya dengan juga memperhatikan faktor semantik kode program pada saat pendeteksian. Pemeriksaan faktor semantik ini dapat dilakukan dengan mengecek nilai keluaran kode program terlebih dahulu sebelum dilakukan proses clustering.
DAFTAR PUSTAKA
Burrows S, 2004. Efficient and effective plagiarism detection for large code repositories [tesis]. Melbourne (AU): RMIT University.
Cavnar WB, Trenkle JM. 1994. N-Gram-Based Text Categorization. Ann Arbor (US): Environmental Research Institute of Michigan.
Chawla M. 2003. An indexing technique for efficiently detecting plagiarism in large volume of source code [tesis]. Melbourne (AU): RMIT University.
Gumilang AP. 2013. Pendeteksian penjiplakan kode program C dengan K-Means [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Han J, Kamber M. 2006. Data Mining Concepts and Techniques. Edisi Ke-2. San Francisco (US): Morgan Kaufmann Publisher.
Jain AK. 2009. Data clustering: 50 years beyond K-Means. Pattern Recognition Letters Journal 31 (8): 651-666. doi: 10.1016/j.patrec.2009.09.011
Lance GN, Williams WT. 1967. A general theory of classificatory sorting strategies. Computer Journal 9 (4): 373-380. doi: 10.1093/comjnl/9.4.373.
Manning CD, Raghavan P, Schütze H. 2008. An Introduction to Information Retrieval. Cambridge (UK): Cambridge University Press.
14
Lampiran 1 Tabel aturan konversi kode program menjadi token sederhana (Burrows 2004)
Keyword / special character
Token sederhana
Keyword / special character
Token sederhana
+ a short E
- b long F
* c signed G
/ d unsigned H
% e if I
& f else J
| g while K
( h do L
) i for M
, j ALPHANUM N
{ k goto O
} l case P
< m break Q
> n return R
= o switch S
. p const T
! q continue U
: r sizeof W
int A struct X
float B enum Y
char C typedef Z
15 Lampiran 2 Hasil pengelompokan manual untuk DataSet1
1 2 3 4 5 6 7 8 9
D13 D1 D2 D3 D6 D9 D19 D25 D20
D16 D60 D4 D5 D18 D12 D41 D50 D59
D17 D68 D11 D7 D28 D34 D54 D66
D22 D86 D14 D8 D39 D38 D63 D71
D23 D87 D15 D10 D58 D40 D75
D24 D90 D21 D47 D64 D76
D26 D91 D29 D53 D69 D77
D27 D31 D56 D72 D88
D30 D35 D78 D92
D32 D43 D84
D33 D49
D36 D52
D37 D55
D42 D57
D44 D67
D45 D73
D46 D83
16
Lampiran 3 Hasil pengelompokan manual untuk DataSet3
1 2
D1 D32 D5
D2 D33 D25
D3 D34 D31
D4 D35 D36
D6 D37 D40
D7 D38 D52
D8 D39 D56
D9 D41 D60
D10 D42
D11 D43
D12 D44
D13 D45
D14 D46
D15 D47
D16 D48
D17 D49
D18 D50
D19 D51
D20 D53
D21 D54
D22 D55
D23 D57
D24 D58
D26 D59
17 Lampiran 4 Hasil pengelompokan manual untuk DataSet4
18
Lampiran 5 Hasil pengelompokan manual untuk DataSet2
19 Lampiran 6 Tabel Hasil percobaan Single Linkage clustering untuk DataSet1
i Clusters RI I Waktu (detik)
Lampiran 7 Hasil percobaan Single Linkage clustering untuk DataSet2
20
Lampiran 8 Hasil percobaan Single Linkage clustering untuk DataSet3
i Clusters RI I Waktu (detik)
Lampiran 9 Hasil percobaan Single Linkage clustering untuk DataSet4
21 Lampiran 10 Hasil percobaan Single Linkage clustering untuk DataSetAll
i Clusters RI I Waktu (detik)
Lampiran 11 Hasil percobaan Complete Linkage clustering untuk DataSet1
22
Lampiran 12 Hasil percobaan Complete Linkage clustering untuk DataSet2
i Clusters RI I Waktu (detik)
Lampiran 13 Hasil percobaan Complete Linkage clustering untuk DataSet3
23 Lampiran 14 Hasil percobaan Complete Linkage clustering untuk DataSet4
i Clusters RI I Waktu (detik)
Lampiran 15 Hasil percobaan Complete Linkage clustering untuk DataSetAll
24
Lampiran 16 Hasil percobaan Average Linkage clustering untuk DataSet1
i Clusters RI I Waktu (detik)
Lampiran 17 Hasil percobaan Average Linkage clustering untuk DataSet2
25 Lampiran 18 Hasil percobaan Average Linkage clustering untuk DataSet3
i Clusters RI I Waktu (detik)
Lampiran 19 Hasil percobaan Average Linkage clustering untuk DataSet4
26
Lampiran 20 Hasil percobaan Average Linkage clustering untuk DataSetAll
i Clusters RI I Waktu (detik)
0.81 35 0.9545 0.8095 73.2161
0.82 37 0.9703 0.8190 73.1661
0.83 37 0.9703 0.8190 73.2451
0.84 38 0.9708 0.8317 74.7871
0.85 39 0.9708 0.8438 73.3041
0.86 41 0.9723 0.8599 74.0421
0.87 42 0.9725 0.8698 74.4781
0.88 44 0. 9771 0.8762 74.5081
0.89 47 0.9777 0.8863 75.0161
0.90 49 0.9777 0.8988 75.4681
0.91 51 0.9778 0.9064 74.1581
0.92 54 0.9778 0.9167 74.4691
0.93 56 0.9798 0.9269 74.8881
0.94 59 0.9809 0.9379 72.9651
0.95 61 0.9808 0.9462 78.6195
0.96 64 0.9806 0.9575 77.6754
0.97 68 0.9805 0.9692 75.3813
0.98 74 0.9804 0.9794 76.8244
0.99 79 0.9805 0.9893 76.1134
27
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 24 Mei 1992 di Kota Bekasi, Jawa Barat. Penulis merupakan anak ketiga dari pasangan Bapak Supardi dan Ibu Sulanjari. Penulis memiliki dua orang kakak yang bernama Bekti Siswati dan Desi Widyawati.