Sistem temu balik informasi dokumen makalah ilmiah berbahasa Indonesia menggunakan struktur data inverted index berbasis hash table dan linked list

(1)

i

SISTEM TEMU BALIK INFORMASI DOKUMEN MAKALAH ILMIAH

BERBAHASA INDONESIA MENGGUNAKAN STRUKTUR DATA

INVERTED INDEX BERBASIS HASH TABLE DAN LINKED LIST

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh:

Reza Mohammad Darojad NIM:085314024

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

(2)

ii

INFORMATION RETRIEVAL SISTEM OF INDONESIAN SCIENTIFIC

PAPER USING INVERTED INDEX DATA STRUCTURE BASED ON

HASH TABLE AND LINKED LIST

THESIS

Presented as Partial Fullfilment of the Requirements To Obtain the Computer Bachelor Degree

In Informatics Engineering

By:

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

(3)

iii

HALAMAN PERSTETUJUAN

SKRIPSI

Oleh:

Telah disetujui oleh:

Dosen Pembimbing

(4)

iv

HALAMAN PERSTETUJUAN

SKRIPSI

SISTEM TEMU BALIK INFORMASI DOKUMEN MAKALAH ILMIAH BERBAHASA INDONESIA MENGGUNAKAN STRUKTUR DATA INVERTED INDEX BERBASIS HASH TABLE DAN LINKED LIST

Dipersiapkan dan ditulis oleh

Telah dipertahankan di depan Panitia Penguji

Pada tanggal 15 Februari 2013

dan dinyatakan memenuhi syarat

Susunan Panitia Penguji

Nama Lengkap Tanda Tangan

Ketua Sri Hartati Wijono, S. Si., M. Kom. ...

Sekretaris Puspaningtyas Sanjoyo Adi, S.T., M.T. ...

Asnggota JB. Budi Darmawan, S.T., M. Sc. ...

Yogyakarta , .... Februari 2013

Fakultas Sains dan Teknologi

Universitas Sanata Dharma

Dekan,

(5)

v

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan seungguhnya bahwa skripsi yang saya tulis ini tidak memuat karya orang lain kecuali yang telah disebutkan dalam kutipan dan daftar pustaka, sebagaimana layaknya karya ilmiah.

Yogyakarta, Februari 2013 Penulis,

(6)

vi

ABSTRAKSI

Makalah ilmiah adalah karya ilmiah akademik yang dipublikasikan. Makalah

ilmiah berbahasa Indonesia lebih ditujukan untuk ruang lingkup pembaca

nasional.

Seiring bertambahnya jumlah makalah ilmiah yang beredar para akademisi

memerlukan informasi mengenai makalah-makalah yang akan mereka baca atau

referensikan. Informasi tersebut dapat diperoleh menggunakan sistem

temu-kembali informasi (Information retrieval) agar pengguna mendapatkan keputusan sumber informasi yang tepat sesuai kebutuhan pengguna.

Sistem Pemerolehan informasi yang dibangun berfokus pada model TF-IDF

dengan algoritma stemming Nazief & Adriani karena dokumen makalah yang

akan di cari adalah makalah ilmiah berbahasa Indonesia dan algoritma tersebut

(7)

vii

ABSTRACT

Scientific papers are academic papers that published. Indonesian-language

scientific papers aimed more at the national scope of the reader.

With the growing number of outstanding scientific papers, academics need

information about the papers they would read or refer. Such information can be

obtained using Information Retrieval Systems so that users get the right decision

sources of information according to user needs.

Information Retrieval System is built focusing on the model TF-IDF with

Nazief & Adriani stemming algorithms for paper documents that will be looking

for is a scientific paper in Indonesian language and the algorithm is the optimal

(8)

viii

HALAMAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan dibawah ini, saya mahasiswa Universitas Sanata

Dharma:

Nama : Reza Mohammad Darojad

NIM : 085413024

Demi pengembangan ilmu pengetahuan, saya memberikan kepada perpustakaan Universitas Sanata Dharma karya ilmiah saya yang berjudul:

Berserta perangkat yang diperlukan bila ada. Dengan demikian saya memberikan

kepada perpustakaan Universitas Sanata Dharma hak untuk menyimpan,

mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan

data, mendistribusikan secara terbatas, dan mempublikasikannya di internet atau

media laiin untuk kepentingan akademis tanpa perlu meminta ijin dari saya

maupun memberi royalti kepada saya selama tetap mencantumkan nama saya

sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di Yogyakarta

Pada tanggal:

Yang menyatakan

(9)

ix

KATA PENGANTAR

Puji syukur kepada Yesus Kristus yang telah memberikan karunia, rahmat, dan kesempatan, sehingga penulis dapat menyelesaikan skripsi ini. Penyusunan skripsi ini tidak lepas dari semua pihak yang turut memberikan dukungan, doa, semangat, dan bantuan yang sangat bermanfaat bagi penulis. Pada kesempatan ini penulis mengucapkan terima kasih sebesar besarnya kepada :

1. Bapak JB. Budi Darmawan, S.T., M.Sc. selaku dosen pembimbing

senantiasa memberikan masukkan dan bantuan dalam membimbing penulis untuk menyelesaikan skripsi ini.

2. Segenap dosen Universitas Sanata Dharma yang telah membantu memberikan bekal pengetahuan kepada penulis.

3. Ibu Sulistyaningtyas dan Kakak Tyas yang selalu memberi dukungan. 4. Seluruh sahabat dan rekan-rekan TI yang tidak dapat penulis sebutkan atas

kesediaanya dalam memberikan masukkan, menemani dan memberi dukungan kepada penulis.

Penulis menyadari bahwa masih banyak kekurangan yang terdapat pada skripsi ini. Saran dan kritik penulis harapkan untuk kebaikan bersama. Semoga bermanfaat.

Yogyakarta, Februari 2013 Penulis,

(10)

x

Daftar Isi

HALAMAN JUDUL... i

HALAMAN PERSETUJUAN SKRIPSI ... iii

PERNYATAAN KEASLIAN KARYA ... v

ABSTRAKSI ... vi

ABSTRACT ... vii

HALAMAN PERSETUJUAN PUBLIKASI KARYA ILMIAH ... viii

KATA PENGANTAR... ix

1.5. Metodologi Penelitian ... 4

1.6. Sistematika Penulisan ... 5

Bab II Landasan Teori ... 7

2.1 Information Retrieval ... 7

2.2 Proses Indexing ... 9

2.3 Pembobotan Kata ... 14

2.4 Hash Table ... 17

2.5 LinkedList ... 17

2.6 Precision dan Recall ... 17

BAB III ANALISA DAN PERANCANGAN SISTEM ... 18

3.1 Analisa Sistem ... 18

3.2 Perancangan Sistem ... 33

BAB IV IMPLEMENTASI SISTEM ... 48

4.1. Spesifikasi Perangkat Lunak dan Perangkat Keras ... 48

4.3. Implementasi Inverted Index ... 59

4.4. Implementasi Antarmuka ... 65

(11)

xi

4.6. Implementasi Model ... 72

BAB V ANALISA HASIL ... 73

BAB VI KESIMPULAN DAN SARAN ... 87

6.1 Kesimpulan ... 87

Daftar Pustaka ... 89

(12)

1

Bab I

Pendahuluan

1.1. Latar belakang

Jumlah dokumen makalah ilmiah digital di Indonesia terus bertambah

sehingga masyarakat terutama akademisi memerlukan suatu sistem yang dapat

mengakses dan menyediakan berbagai informasi sesuai kebutuhannya. Informasi

tersebut dapat diperoleh menggunakan sistem temu-kembali informasi

(Information retrieval) agar pengguna mendapatkan sumber informasi yang tepat sesuai kebutuhan pengguna dari sekumpulan dokumen yang besar (Manning,

2009).

TF-IDF adalah salah satu metode dari Information Retrieval untuk memberikan bobot hubungan suatu kata (term) terhadap dokumen. Metode TF-IDF yang digunakan menggunakan teknik pembobotan Savoy karena pada teknik

pembobotan ini, bobot istilah telah dinormalisasi. Teknik ini memperhitungkan

jumlah dokumen yang mengandung istilah yang bersangkutan dan jumlah

keseluruhan dokumen. Sehingga jika sebuah istilah mempunyai frekuensi

kemunculan yang sama pada dua dokumen belum tentu mempunyai bobot yang

sama. Teknik ini sudah diterapkan pada dokumen berbahasa Indonesia dan cukup

baik dalam memberikan bobot dokumen terurut(Baeza, 1999).

Data yang berisi daftar term dan hubungannya dengan dokumen disimpan

dalam sebuah Inverted Index. Inverted index terdiri dari dua bagian utama,

(13)

2

pengurutan data tidak diutamakan. Posting List memerlukan struktur data penyimpanan yang terurut dan dinamis, Ordered Linked List diimplementasikan untuk Posting List karena ukuran Linked List yang dapat melebar menyesuaikan data yang ditambahkan. Ordered Linked List berdasarkan pada Linked List dengan penambahan pengurutan data (Robert, 2003).

Pencarian dokumen makalah ilmiah yang sudah ada sebagian besar

menghasilkan informasi berdasarkan abstrak, judul,pengarang, penerbit, dan

subjek makalah. bukan seluruh isi makalah. Peneliti mengembangkan Sistem

Pemerolehan Informasi untuk dokumen makalah berbahasa Indonesia

menggunakan seluruh isi teks dokumen.

1.2. Rumusan Masalah

Dari latar belakang di atas dapat dirumuskan beberapa masalah yang akan

dikaji, yaitu:

1. Sejauh mana performa struktur data Hash dan LinkedList terhadap

pencarian dokumen?

2. Bagaimana sistem temu balik informasi ini dapat menghasilkan dokumen

yang relevan yang teranking berdasarkan query masukan oleh pengguna?

3. Seberapa relevankah dokumen hasil dari metode pembobotan TD-IDF

(14)

3

1.3. Tujuan

Penelitian ini bertujuan untuk mengimplementasikan sistem pemerolehan

informasi untuk pencarian makalah ilmiah berbahasa Indonesia menggunakan

seluruh isi teks makalah ilmiah dan mengetahui unjuk kerja sistem yang

menggunakan Inverted Index klasik dengan struktur data Hash Table dan Ordered LinkedList dengan operasi boolean dasar

1.4. Batasan Masalah

1. Sistem ini berfokus pada dokumen berbahasa Indonesia yang mengandung

format Portable Document Format(PDF).

2. Dokumen hasil Query yang akan dipilih user telah tersedia dalam indeks sistem dan merupakan bagian dari koleksi pengujian sebanyak 281

dokumen berbahasa Indonesia.

3. Koleksi pengujian diambil dari kolesi dokumen makalah ilmiah berbahasa

Indonesia.

(15)

4

1.5. Metodologi Penelitian

Dalam penelitian ini dilakukan tahap-tahap penelitian sebagai berikut:

1. Studi Pustaka

Studi pustaka penerapan inverted index klasik menggunakan pembobotan

TF-IDF dengan operasi AND. 2. Pengumpulan Data

Pengumpulan dokumen-dokumen makalah ilmiah yang berbahasa

Indonesia sebagai corpus sebanyak 281 dokumen. 3. Implementasi

Implementasi penerapan TF-IDF dan struktur data classical yaitu Inverted Index yang berbasis pada Hash dan Ordered LinkedList untuk mendukung

inverted index dengan menggunakan rumus pembobotan Savoy. 4. Pengujian

Pengujian relevansi pencarian menggunakan recall precision dan

Pengamatan unjuk kerja waktu query dengan operasi AND dengan dua belas kelompok kata yang mengandung frekuensi dokumen tertentu.

Kelompok kata tersebut adalah kelompok kata yang memiliki dfk 1 sampai

2, dfk mendekati 140, dan dfk kurang lebih 280, 1 kata kunci pencarian

(16)

5

1.6. Sistematika Penulisan

Sistematika penulisan dan penyusunan tugas akhir ini dibagi

menjadi 6 (enam) bab, yaitu :

BAB I PENDAHULUAN

Bab ini berisi penjelasan tentang latar belakang, rumusan masalah,

batasan masalah, tujuan penelitian, manfaat penelitian, metodologi

penelitian, dan sistematika dari penulisan tugas akhir.

BAB II LANDASAN TEORI

Bab ini berisi penjelasan tentang teori-teori yang berkaitan dengan

penulisan tugas akhir.

BAB III ANALISIS DAN PERANCANGAN SISTEM

Bab ini berisi penjelasan mengenai identifikasi masalah yang ada, kerja

dari sistem yang ada, dan analisis sistem yang meliputi analisis masalah

dalam sistem lama dan analisis kebutuhan sistem baru. Terdapat pula

perancangan sistem meliputi perancangan proses, perancangan

basisdata, dan perancangan antarmuka untuk para pengguna sistem.

BAB IV IMPLEMENTASI SISTEM

Bab ini berisi implementasi dari sistem yang sudah dirancang

BAB V ANALISA HASIL

(17)

6

BAB VI KESIMPULAN DAN SARAN

Bab ini berisi tentang kesimpulan dan saran dari analisis dan

(18)

7

Bab II Landasan

Teori

2.1Information Retrieval

Sistem temu kembali informasi (information retrieval system) merupakan sistem untuk menemukan kembali (retrieve) informasi-informasi yang relevan terhadap kebutuhan pengguna dari suatu kumpulan informasi secara

otomatis. Penekanannya ada pada penemukembalian informasi yang sifatnya

tidak terstruktur. Salah satu contoh dari sistem temu kembali informasi adalah

search-engine atau mesin pencarian (Mandala,2004).

Tujuan yang harus dipenuhi dari Sistem temu kembali informasi adalah

bagaimana mendapatkan dokumen relevan dan tidak mendapatkan dokumen

yang tidak relevan. Tujuan lainnya adalah bagaimana menyusun dokumen

yang telah didapatkan tersebut ditampilkan terurut dari dokumen yang

memiliki tingkat relevansi lebih tingi ke tingkat relevansi rendah. Penyusunan

dokumen terurut tersebut disebut sebagai perangkingan dokumen.

Dokumen diwakili melalui set index term.Index term menyediakan

logical view dari dokumen Jika kolesi dokumen cukup besar komputer akan melakukan pengurangan jumlah set term melalui penghapusan

(19)

8

index term. Gambar 2.1 menunjukkan logical view yang digunakan sistem pemerolehan informasi(Baeza, 1999).

Gambar 2.1 Logikal view dari sebuah dokumen: dari full text menjadi sebuah

set indeks term(Baeza, 1999).

Sistem pemerolehan informasi memiliki beberapa tahap.Pertama

melakukan indentifikasi terhadap dokumen-dokumen yang akan digunakan,

operasi yang akan dilakukan terhadap teks, dan model teks. Text operations

mentransformasikan dokumen asal menjadi logicalview. Setelah logicalview

(20)

9

Gambar 2.2 Proses dari pemerolehan informasi(Baeza, 1999).

2.2Proses Indexing

Indeks kata dibuat dalam bentuk inverted index. Inverted index terdiri dari dua bagian utama, dictionary dan posting list. Dictionary menyimpan daftar kata, sedangkan posting list menyimpan identitas dokumen yang

mengandung kata yang bersangkutan. Setiap kata terhubung dengan satu

rangkaian posting list menggunakan penunjuk.(Manning,2009).

(21)

10

Parsing

Proses ini mengambil query dari kata-kata kunci pengguna dengan cara memotong string input berdasarkan tiap kata yang menyusunnya

Elemen teks (string input) dipisahkan dengan teknik parsing

menggunakan pemisahan string dilakukan berdasarkan operator

pemisah untuk kemudian di eksekusi terhadap index.(Manning,2009).

Stopword Removing

Proses ini menghilangkan stopword pada string input yang menyusun dokumen dan query. Dalam proses ini digunakan sebuah daftar kata buang (stoplist) yaitu daftar kata-kata yang tidak digunakan (dibuang) karena tidak signifikan dalam membedakan

dokumen atau query. Stoplist ini umumnya berupa kata tugas, kata hubung, kata bantu, yang mempunyai fungsi dalam kalimat penyusun

dokumen tetapi tidak memiliki arti..

Stemming

Stemming merupakan suatu proses yang terdapat dalam sistem IR

yang mentransformasi kata-kata yang terdapat dalam suatu dokumen

ke kata-kata akarnya (root word) dengan menggunakan aturan-aturan tertentu. Sebagai contoh, kata bersama, kebersamaan, menyamai, akan

(22)

11

berbahasa Indonesia berbeda dengan stemming pada teks berbahasa

Inggris. Pada teks berbahasa Inggris, proses yang diperlukan hanya

proses menghilangkan sufiks. Sedangkan pada teks berbahasa

Indonesia, selain sufiks, prefiks, dan konfiks juga dihilangkan.

Algoritma yang dibuat oleh Bobby Nazief dan Mirna Adriani ini

memiliki tahap-tahap sebagai berikut:

1. Cari kata yang akan distem dalam kamus. Jika ditemukan

maka diasumsikan bahwa kata tesebut adalah root word. Maka algoritma berhenti.

2. Inflection Suffixes (“-lah”, “-kah”, “-ku”, “-mu”, atau “

-nya”) dibuang. Jika berupa particles (“-lah”, “-kah”, “-tah”

atau “-pun”) maka langkah ini diulangi lagi untuk

menghapus Possesive Pronouns (“-ku”, “-mu”, atau “

-nya”), jika ada.

3. Hapus Derivation Suffixes (“-i”, “-an” atau “-kan”). Jika kata ditemukan di kamus, maka algoritma berhenti. Jika

tidak maka ke langkah 3a

a. Jika “-an” telah dihapus dan huruf terakhir dari

kata tersebut adalah “-k”, maka “-k” juga ikut

dihapus. Jika kata tersebut ditemukan dalam

kamus maka algoritma berhenti. Jika tidak

(23)

12

b. Akhiran yang dihapus (“-i”, “-an” atau “-kan”)

dikembalikan, lanjut ke langkah 4.

4. Hapus Derivation Prefix. Jika pada langkah 3 ada sufiks yang dihapus maka pergi ke langkah 4a, jika tidak pergi ke

langkah 4b.

a. Periksa tabel kombinasi awalan-akhiran yang

tidak diijinkan. Jika ditemukan maka algoritma

berhenti, jika tidak pergi ke langkah 4b.

b. For i = 1 to 3, tentukan tipe awalan kemudian

hapus awalan. Jika root word belum juga

ditemukan lakukan langkah 5, jika sudah maka

algoritma berhenti. Catatan: jika awalan kedua

sama dengan awalan pertama algoritma berhenti.

5. Melakukan Recoding.

6. Jika semua langkah telah selesai tetapi tidak juga berhasil

maka kata awal diasumsikan sebagai root word. Proses selesai.

Tipe awalan ditentukan melalui langkah-langkah berikut:

1. Jika awalannya adalah: “di-”, “ke-”, atau “se-” maka tipe

awalannya secara berturut-turut adalah “di-”, “ke-”, atau “se

(24)

13

2. Jika awalannya adalah “te-”, “me-”, “be-”, atau “pe-” maka

dibutuhkan sebuah proses tambahan untuk menentukan tipe

awalannya.

3. Jika dua karakter pertama bukan “di-”, “ke-”, “se-”, “te-”,

“be-”, “me-”, atau “pe-” maka berhenti.

4. Jika tipe awalan adalah “none” maka berhenti. Jika tipe

awalan adalah bukan “none” maka awalan dapat dilihat pada

Tabel 2. Hapus awalan jika ditemukan.

Untuk mengatasi keterbatasan pada algoritma di atas, maka

ditambahkan aturan-aturan dibawah ini(Agusta,2009):

(25)

14

 Jika kedua kata yang dihubungkan oleh kata penghubung

adalah kata yang sama maka root word adalah bentuk

tunggalnya, contoh: “buku-buku” root word-nya adalah

“buku”.

 Kata lain, misalnya “bolak-balik”, “berbalas-balasan, dan

”seolah-olah”. Untuk mendapatkan root word-nya,kedua kata

diartikan secara terpisah. Jika keduanya memiliki root word

yang sama maka diubah menjadi bentuk tunggal, contoh: kata

“berbalas-balasan”, “berbalas” dan “balasan” memiliki root

word yang sama yaitu “balas”, maka root word “berbalas

-balasan” adalah “balas”. Sebaliknya, pada kata “bolak-balik”,

“bolak” dan “balik” memiliki root word yang berbeda, maka

root word-nya adalah “bolak-balik”

2. Tambahan bentuk awalan dan akhiran serta aturannya.

 Untuk tipe awalan “mem-“, kata yang diawali dengan awalan

“memp-” memiliki tipe awalan “mem-”.

 Tipe awalan “meng-“, kata yang diawali dengan awalan

“mengk-” memiliki tipe awalan “meng-”.

2.3Pembobotan Kata

2.3.1 Term Frequency

(26)

15

Nilai jumlah kemunculan suatu kata (term frequency) diperhitungkan dalam pemberian bobot terhadap suatu kata. Semakin besar jumlah kemunculan suatu

term (tf tinggi) dalam dokumen, semakin besar pula bobotnya dalam dokumen atau akan memberikan nilai kesesuian yang semakin besar.

Frekuensi kata dinotasikan sebagai , ′ dengan menotasikan kata and

′ sebagai urutan dokumen. Untuk sebuah dokumen d, jumlah bobot dapat

diketahui dari bobot tf diatas.(Manning,2009).

2.3.2 Inverse Document Frecuency

Inverse Document Frequency (idf) factor, yaitu pengurangan dominansi

term yang sering muncul di berbagai dokumen. Hal ini diperlukan karena term

yang banyak muncul di berbagai dokumen, dapat dianggap sebagai term umum (common term) sehingga tidak penting nilainya. Sebaliknya faktor kejarangmunculan kata (term scarcity) dalam koleksi dokumen harus diperhatikan dalam pemberian bobot. Kata yang muncul pada sedikit dokumen harus

dipandang sebagai kata yang lebih penting (uncommon tems) daripada kata yang muncul pada banyak dokumen. Pembobotan akan memperhitungkan faktor

kebalikan frekuensi dokumen yang mengandung suatu kata (inverse document frequency).(Manning,2009).

(27)

16

Pembobotan TF-IDF mengkombinasikan frekuensi kata dan inverse document frequency . Pembobotan TF-IDF didapat dengan menggunakan rumus berikut (savoy) (Hasibuan, 2001)

Wik = ntfik * nidfk,

 tfikmerupakan frekuensi dari istilah k dalam dokumen i.

 n adalah jumlah dokumen dalam kumpulan dokumen.

 dfk adalah jumlah dokumen yang mengandung istilah k.

 Maxj tfij adalah frekuensi istilah terbesar pada satu dokumen.

 Wd= bobot sebuah dokumen

Dengan kata lain, tf-idft,d berlaku untuk termt bobotdi dokumen d yang 1. Tertinggi jika t sering muncul dengan jumlah dokumen yang kecil. 2. Lebih rendah jika term muncul beberapa kali di dalam dokumen,

atau muncul di banyak dokumen.

(28)

17

2.4Hash Table

Hash Table adalah struktur data yang menawarkan pemasukan dan pencarian

data dengan sangat cepat. Ide dari Hash Table adalah memperbolehkan banyak dari kemungkinan key berbeda yang mungkin di petakan ke lokasi yang sama di

dalam array dibawah fungsi tindakan pengindeksan. Hash Table beroperasi relatif

cepat O(logN) kali. Untuk pembuatan daftar kamus kata, hash table adalah pilihan

yang baik.(Robert,2003).

2.5 LinkedList

LinkedList adalah struktur data yang berbentuk node yang node lainnya

menunjuk menggunakan pointer. Ukuran LinkedList menjadi dinamis karena

ukurannya bertambah mengikuti jumlah node yang dimasukkan kedalam rantai

node.(Kruse,1994).

2.6Precision dan Recall

Dalam Information Retrieval, sebuah metode perlu diukur keefektifannya. Dalam hal ini menggunakan pengukuran precision dan recall. Pengukuran

precison dan recall dinyatakan dalam rumus berikut.

=#( � �� )

#( �� )

� = #( � �� )

(29)

18

BAB III

ANALISA DAN PERANCANGAN SISTEM

3.1 Analisa Sistem

3.1.1 Gambaran Sistem

Sistem Pemerolehan Informasi Makalah Ilmiah dikembangkan untuk

membantu pengguna mencari makalah ilmiah yang sesuai dan relevan dengan

kata kunci yang dimasukkan oleh pengguna.

Arsitektur sistem pemerolehan informasi ditunjukkan pada gambar 3.1.

Dokumen koleksi berupa file makalah ilmiah berbahasa Indonesia dengan

ekstensi .pdf. Sistem melakukan text operation pada dokumen tersebut, berupa pembuangan kata buang dan stemming menggunakan algoritma Nazief & Adriani untuk teks berbahasa Indonesia, lalu melakukan proses indexing kata dan dokumen pada RDBMS. Sistem mengambil index dari RDBMS ke random access

(30)

19

Gambar 3.1. Rancangan Sistem Pemerolehan Informasi.

Inverted Index yang dibuat menggabungkan antara Hash Table sebagai

dictionary dan Ordered Linked List sebagai posting list seperti pada gambar 3.2.

Beberapa variabel untuk rumus perhitungan pembobotan Savoy di simpan pada term, posting, dan dokumen. Term menyimpan dfk dan nidfk. Posting menyimpan ntifk tfik dan w. Dokumen menyimpan maxtf.

Ordered Linked List berdasarkan pada Linked List, namun akan dilakukan

(31)

20

Gambar 3.2 Representasi Inverted Index

3.1.2 Analisis Kebutuhan Pengguna

3.1.2.1 Use Case Model

HashTable Ordered Linked List

Term Jurnal Jurnal Jurnal

(32)

21

Sistem Pemerolehan Informasi Makalah yang akan dikembangkan diakses 2 aktor

yaitu administrator dan pengguna. Tabel berikut menjelaskan deskripsi untuk

setiap aktor:

Tabel 3.1. Tabel Use Case Model

Aktor Keterangan

Administrator 1. Dapat melakukan login sebagai administrator

2. Menangani pengelolaan data makalah

3. Dapat melakukan pencarian

4. Dapat melihat isi makalah

Pengguna 1. Dapat melakukan pencarian (searching) data makalah sesuai kata kunci yang dimasukan

2. Dapat melihat isi dari makalah

(33)

22 Subsistem Pencarian Makalah

Ilmiah Berbahasa Indonesia Subsistem Operasi Teks

Menambahkan dokumen makalah

Mengubah data

dokumen makalah Login

Mencari dokumen makalah

Logout

Administrator

Pengguna

<< dep

end_on >>

<<depend on>>

Sistem Pemerolehan Informasi Makalah Ilmiah Berbahasa Indonesia

(34)

23

3.1.2.3 Skenario Use Case

a. Login

Deskripsi Use case ini menggambarkan proses login

bagiAdministrator

Pra-kondisi Administrator mempunyai username dan password

Pemicu Administrator ingin melakukan penambahan atau

perubahan data makalah

Langkah umum Langkah 1:

User/administrator/staff

Langkah 4: Sistem masuk

(35)

24

Administrator

Langkah

alternatif

Alternatif-Langkah 4: Jika data ( username dan password)

yang

dimasukkan tidak sesuai maka sistem akan

mengembalikan ke halaman awal login.

Kesimpulan Use case ini berhenti apabila administrator

telah berhasil masuk ke dalam halaman Administrator

Pasca kondisi Administrator berhasil masuk ke halaman utama

Administrator.

Administrator tidak jadi melakukan login.

(36)

25

b. Menambah Makalah

Tabel 3.3 Menambah Makalah

Nama Use Case Menambah Makalah

ID Use Case 2

Prioritas Sedang

Pelaku Bisnis

utama

Administrator

Deskripsi Use case ini menggambarkan proses Administrator

menambahkan makalah

Pra-kondisi Administrator berhasil masuk ke halaman utama

Administrator.

Pemicu Administrator ingin melakukan penambahan makalah

Langkah umum Langkah 1:

Administrator Memilih

Menyimpan data makalah baru

beserta file makalah.

Langkah 5: Sistem masuk

ke halaman utama

(37)

26

Administrator menekan

tombol simpan

berhasil menyimpan

Langkah

alternatif

Alternatif-Langkah 4: Jika data yang

dimasukkan tidak lengkap maka sistem akan

meminta Administrator untuk melengkapi data yang

diperlukan.

Kesimpulan Use case ini berhenti apabila Sistem

telah berhasil Menyimpan data makalah baru.

Pasca kondisi Data makalah bertambah

c. Merubah Makalah

Tabel 3.4. Narasi Use Case Menambah Data Makalah

Nama Use Case Mengubah Data Makalah

ID Use Case 3

Prioritas High

(38)

27

Deskripsi Use case ini menggambarkan proses mengubah data makalah

Pra-kondisi Administrator berada di halaman hasil pencarian

Pemicu Use case ini digunakan oleh administrator untuk mengubah data makalah

Langkah utama Aksi aktor Respon sistem

Langkah 1 :

Administrator menge-klik link mengubah data makalah

Langkah 3 :

Administrator memasukkan

data baru makalah dan

menekan tombol ubah

Langkah 2 :

Sistem akan

menampilkan halaman

mengubah data

makalah

Langkah 4 :

Sistem akan

mengganti data lama

dengan data baru yang

(39)

28

Langkah alternatif Alternatif langkah 3 : Administrator batal mengganti

data makalah dan kembali ke halaman administrator

Kesimpulan Use case ini berhenti jika administrator telah berhasil mengubah data makalah

Pasca kondisi Data di database telah berubah

d. Mencari Makalah

Tabel 3.5 Narasi Use Case Mencari Makalah

Nama Use Case Cari Makalah

ID Use Case 6

Prioritas High

Pelaku bisnis utama Administrator dan Pengguna

Deskripsi Use case ini menggambarkan proses pencarian makalah

Pra-kondisi Aktor berada di halaman utama

Pemicu Use case ini digunakan untuk mencari makalah

Langkah 1 :

Aktor memilih menu cari

makalah

Langkah 2 :

(40)

29

Langkah 3 :

Aktor memasukkan keyword

dan menekan tombol cari

menampilkan halaman

cari makalah

Langkah 4 :

Sistem akan

menampilkan hasil

pencarian

Langkah alternatif Alternatif langkah 3 : Pengguna batal melakukan

pencarian sistem kembali ke halaman awal

Kesimpulan Use case ini berhenti jika pengguna telah menemukan makalah yang dicari

Pasca kondisi Aktor berhasil menemukan makalah yang dicari

Aktor tidak berhasil menemukan makalah yang dicari

karena tidak sesuai dengan keyword

e. Melihat Makalah

Tabel 3.6. Narasi Use Case Melihat Makalah

Nama Use Case Lihat Makalah

(41)

30

Prioritas High

Pelaku bisnis utama Administrator dan Pengguna

Deskripsi Use case ini menggambarkan proses melihat data makalah

Pra-kondisi Aktor berada di halaman pencarian

Pemicu Use case ini digunakan oleh aktor untuk melihat data makalah

Langkah 1 :

Aktor menge-klik link lihat makalah

Langkah 2 :

Sistem akan

menampilkan data

makalah

Langkah alternatif -

Kesimpulan Use case ini berhenti jika aktor telah berhasil melihat data makalah

Pasca kondisi Aktor berhasil melihat data makalah

Aktor tidak berhasil melihat data makalah karena

(42)

31

f. Logout

Tabel 3.7. Narasi Use Case Logout

Nama Use Case Logout

ID Use Case 5

Prioritas High

Pelaku bisnis utama Administrator

Deskripsi Use case ini menggambarkan proses logout bagi administrator

Pra-kondisi Administrator berada pada halaman administrator

dan akan keluar dari halaman administrator

Pemicu Use case ini digunakan oleh administrator untuk keluar dari halaman administrator

Langkah 1 :

Administrator menge-klik

menu logout

Langkah 2 :

Sistem akan keluar

dari halaman

administrator

Langkah alternatif -

(43)

32

dari halaman administrator

(44)

33

3.2 Perancangan Sistem

3.2.1 Desain Logikal

3.2.1.1 Diagram Akifitas

3.2.1.3.1. Administrator Login

(45)

34

3.2.1.3.2. Menambah Makalah

Berikut adalah diagram dari aktifitas menambah makalah.

3.2.1.3.3. Merubah Data Makalah

(46)

35

3.2.1.3.4. Mencari Makalah

Berikut adalah diagram dari aktifitas mencari makalah .

3.2.1.3.5. Melihat Makalah

(47)

36

3.2.1.2 Model Kelas Analisis

Berikut ini adalah rancangan diagram model kelas analisis.

Login.jsp

beanLogin

Administrator Administrator

InvertedIndex

Jurnal

Word Posting

StopList benCariJurnal

beanKelolajurnal Pengguna

Adminhome.jsp

Halamancari.jsp

Tambahjurnal.jsp

Ubahhapusjurnal.jsp

(48)

37

3.2.1.3Diagram Sequence

3.2.1.3.1. Mencari Jurnal

Berikut adalah rancangan diagram sequence pencarian jurnal.

3.2.1.4 Diagram Kelas Analisis

3.2.1.3.1. Case Login

Berikut ini adalah rancangan diagram kelas pada case login

login.jsp

+validasiLoginAdministrator(in username : string, in password : string) : void +logoutAdministrator() : string

(49)

38

3.2.1.3.2. Case Ubah Data

Berikut ini adalah rancangan diagram kelas pada case ubah data

+setUserName(in : string) : void +getUserName() : string +setPassword(in : string) : void +getPassword() : string

+getAdmistrator(in username) : Administrator -username : string

-password : string

Administrator

(50)

39

3.2.1.3.3. Case Pencarian Informasi Makalah

Berikut ini adalah rancangan diagram kelas pada case pencarian

+setUserName(in : string) : void +getUserName() : string +setPassword(in : string) : void +getPassword() : string

+getAdmistrator(in username) : Administrator -username : string

-password : string

Administrator

+Cari()

beanCariJurnal

-wordlist : HashMap

InvertedIndex

1

1 *

1

halamanhasilcari.jsp _{halamancari.jsp}

(51)

40

3.2.1.3.4. Diagram Kelas Pemodelan Struktur Data Inverted Index

Berikut ini adalah rancangan diagram kelas untuk memodelkan Struktur Data

(52)

41

3.2.1.5 Perancangan Database

3.2.1.3.1. Conceptual Design

Berikut ini adalah desain database secara konseptual.

(53)

42

3.2.2 Desain Fisikal

3.2.2.1Desain Antarmuka

3.2.1.1.1. Halaman Beranda dan Pencarian

Pada halaman pencarian jurnal terdapat kolom isian untuk mengisikan kata

kunci pencarian. Pencarian dapat dimulai dengan menekan tombol keyboard Enter

atau menekan tombol cari pada tampilan Gambar 3.4.

Gambar 3.4. Halaman Beranda

Header Title

(54)

43

3.2.1.1.2. Halaman Hasil Pencarian

Pada halaman hasil pencarian, Gambar 3.5 ditampilkan tambahan

informasi waktu pencarian dan daftar dokumen yang sudah diurutkan sesuai

relevansinya terhadap kata kunci pencarian. Pengguna dapat melihat isi setiap

dokumen dari hasil pencarian dengan membuka link judul dokumen yang dipilih.

(55)

44

3.2.1.1.3. Halaman Login Administrator

Halaman Login Administrator Gambar 3.6 menampilkan dua kolom isian

yang diisi dengan nama pengguna dan kata sandi. Untuk melanjutkan masuk,

pengguna dapat menekan tombol keyboard Enter atau menekan tombol masuk pada tampilan.

Header

Title

Home

_{Kelola Jurnal Logout}

Nama Pengguna

Kata Sandi

Masuk

Halaman Login Administrator

(56)

45

3.2.1.1.4. Halaman Beranda Administrator

Halaman beranda administrator Gambar 3.7 terdapat menu “Kelola

Makalah” dengan submenu “Tambah Makalah” untuk menuju halaman tambah

makalah dan submenu “Edit Makalah” untuk menuju halaman edit makalah.

Pengguna dapat menekan tombol beranda untuk kembali ke halaman utama

administrator. Tombol “Logout” berfungsi untuk keluar dari halaman utama

administrator.

Gambar 3.7. Halaman Beranda Administrator

Selamat datang di halaman Administrator

Beranda Kelola Makalah

(57)

46

3.2.1.1.5. Halaman Menambah Makalah

Pada halaman tambah makalah Gambar 3.8 administrator dapat

menambahkan dokumen makalah baru dengan memasukkan data judul, penulis,

tahun pada kolom yang disediakan. Pada kolom file, administrator dapat memilih

file makalah yang berformat pdf yang akan diupload. Setelah semua data lengkap

administrator dapat menekan tombol simpan.

Gambar 3.8. Halaman Menambah Makalah

Judul Penulis File

Beranda Kelola Makalah

Logout

pilih

(58)

47

3.2.1.1.6. Halaman Kelola Makalah

Halaman kelola jurnal ditunjukkan pada Gambar 3.9 administrator dapat

melakukan pengubahan data makalah yang meliputi judul makalah, nama penulis,

dan tahun dengan menekan icon edit pada baris yang sesuai dengan dokumen yang akan dirubah datanya. Sebuah form akan muncul saat icon edit dipilih. Administrator dapat memasukkan data-data baru pada setiap kolom dan menekan

tombol simpan jika akan menyimpan perubahan tersebut.

Header Title

Home Kelola Jurnal Logout

N o Judul Penulis Tahun N ama File

x

x x

Judul Penulis Tahun File

Simpan

Cari

Menghapus dan Mengubah Data Jurnal

(59)

48

BAB IV

IMPLEMENTASI SISTEM

4.1. Spesifikasi Perangkat Lunak dan Perangkat Keras

4.1.1. Spesifikasi Perangkat Lunak

Sistem menggunakan spesifikasi beberapa perangkat lunak pendukung untuk

implementasi sistem pemrosesan teks dan sistem pencarian makalah ilmiah

berbahasa Indonesia sebagai berikut :

1. Sistem operasi: Oracle Linux Server Release 5.8

2. Oracle 11g,

3. Oracle SQL Developer 3.0.04,

4. Java JDK 1.6.0 dan OODBC

5. Netbeans 6.9.1

6. Browser : Mozilla Firefox

4.1.2. Spesifikasi Perangkat Keras

Spesifikasi perangkat keras yang digunakan untuk implementasi sistem

pemrosesan teks dan sistem pencarian makalah ilmiah berbahasa Indonesia adalah

sebagai berikut :

4.1.Prosesor: Intel XEON E5620 (4 Core, 2, 40 GHz)

4.2.Memori RAM: 8 GB RDIMM

4.3.Hardisk: RAID 5 Logical 2TB

(60)

49

4.2. Implementasi Basis Data

Pada sistem ini diimplementasikan database teks untuk menyimpan hasil seluruh proses preprocessing dokumen jurnal yang berbasis RDBMS. Database

sistem ini dibuat menggunakan Oracle 11g. Aplikasi pendukung untuk melakukan pengolahan query adalah SQL Developer.

Langkah – langkah dalam pembuatan database adalah seperti berikut :

1. Membuat database baru dengan login sebagai SYSTEM menggunakan SQL Developer.

2. Membuat tabel-tabel dalam database yang telah dibuat dengan menuliskan perintah create tabel diikuti nama tabel dan kolom-kolom dalam tabel. Di dalam

database terdapat 8 tabel.

(61)

50

Gambar 4.1. Database berbasis RDBMS pada sistem pemrosesan teks

Berikut proses pembuatan tabel untuk database text RDBMS : 1. Tabel Status

Tabel 4.1. Tabel Status

Nama Field Tipe Data Ukuran Keterangan

id_status NUMBER - Primary key untuk

tabel status

description VARCHAR2 20 Deskripsi status

Berikut query untuk membuat tabel status :

2. Tabel Documents

Tabel 4.2. Tabel Documents

id_document NUMBER - Primary key untuk

tabel documents

title VARCHAR2 256 Judul dari dokumen

path VARCHAR2 256 Nama file dari

CREATE TABLE STATUS (

ID_STATUS NUMBER NOT NULL , DESCRIPTION VARCHAR2 (20) )

;

ALTER TABLE STATUS

(62)

51

dokumen

max_term NUMBER - Frekuensi terbesar

dari sebuah dokumen

authors VARCHAR2 100 Penulis dari dokumen

year NUMBER - Tahun dari dokumen

id_status_ready NUMBER - Status untuk dokumen

id_status2 NUMBER - Status untuk untuk

sistem pencarian

id_status3 NUMBER - Status untuk untuk

sistem pencarian

Berikut perintah untuk membuat tabel documents :

CREATE TABLE DOCUMENTS (

ALTER TABLE DOCUMENTS

ADD CONSTRAINT documents_PK PRIMARY KEY ( ID_DOCUMENT ) ;

ADD CONSTRAINT DOCUMENTS_STATUS1_FK FOREIGN KEY (

ID_STATUS_READY )

(63)

52

(

ID_STATUS )

;

ADD CONSTRAINT DOCUMENTS_STATUS2_FK FOREIGN KEY (

ADD CONSTRAINT DOCUMENTS_STATUS_FK FOREIGN KEY (

Tabel 4.3. Tabel Posting

id_document NUMBER - Foreign key dari tabel documents

id_term NUMBER - Foreign key dari tabel terms frequency NUMBER - Frekuensi kata pada dokumen

ntfik NUMBER - Hasil perhitungan

frequency/frequency terbesar pada sebuah dokumen

(64)

53

rumus perhitungannya

ndfik*ntfik

Berikut perintah untuk membuat tabel posting :

CREATE TABLE POSTING (

ALTER TABLE POSTING

ADD CONSTRAINT POSTING_DOCUMENTS_FK FOREIGN KEY

ALTER TABLE POSTING

(65)

54

4. Tabel Terms

Tabel 4.4. Tabel Terms

id_term NUMBER - Primary key untuk tabel

terms

terms VARCHAR2 50 Kata sebelum proses

stemming

stemmed_word VARCHAR2 50 Kata setelah proses

stemming

is_root_word CHAR 1 Keterangan apakah terms

ada di kamus

Berikut perintah untuk membuat tabel terms :

CREATE TABLE TERMS (

TERMS VARCHAR2 (50) ,

STEMMED_WORDS VARCHAR2 (50) , IS_ROOT_WORD CHAR (1)

) ;

ALTER TABLE TERMS

(66)

55

5. Tabel Posting_Stopword

Tabel 4.5. Tabel Posting_stopword

id_document NUMBER - Foreign key dari tabel

documents

id_stopword NUMBER - Foreign key dari tabel

stopwords

frequency NUMBER - Frekuensi stopword pada

dokumen

Berikut perintah untuk membuat tabel posting_stopword :

CREATE TABLE POSTING_STOPWORD (

FREQUENCY NUMBER,

ID_STOPWORD NUMBER NOT NULL , ID_DOCUMENT NUMBER NOT NULL )

;

ALTER TABLE POSTING_STOPWORD

(67)

56

6. Tabel Stopwords

Tabel 4.6. Tabel Stopwords

id_stopword NUMBER - Primary key untuk tabel stopwords

stopword VARCHAR2 20 Daftar kata buang

Berikut perintah untuk tabel stopwords :

FOREIGN KEY

ALTER TABLE POSTING_STOPWORD

ADD CONSTRAINT POSTING_STOPWORD_STOPWORDS_FK FOREIGN KEY (

CREATE TABLE STOPWORDS (

ID_STOPWORD NUMBER NOT NULL , STOPWORD VARCHAR2 (20) }

;

CREATE INDEX STOPWORDS__IDX ON STOPWORDS (

ID_STOPWORD ASC , STOPWORD ASC )

;

ALTER TABLE STOPWORDS

(68)

57

7. Tabel Dictionary

Tabel 4.7. Tabel Dictionary

id_dictionary NUMBER - Primary key untuk tabel dictionary

root_word VARCHAR2 20 Daftar kata dasar Bahasa

Indonesia

Berikut perintah untuk membuat tabel dictionary :

8. Tabel Administrator

Tabel 4.8. Tabel Administrator

CREATE TABLE DICTIONARY (

ID_DICTIONARY NUMBER NOT NULL , ROOT_WORD VARCHAR2 (20)

) ;

CREATE UNIQUE INDEX DICTIONARY__IDX ON DICTIONARY (

ID_DICTIONARY ASC , ROOT_WORD ASC

) ;

ALTER TABLE DICTIONARY

(69)

58

id_administrator NUMBER - Primary key untuk tabel administrator

username VARCHAR2 10 Username

pasword VARCHAR2 20 Password

Berikut perintah yang digunakan untuk membuat tabel administrator :

9. Tabel Sourceterm

Tabel 4.9. Tabel Sourceterm

id_sourceterm NUMBER - Primary key

CREATE TABLE ADMINISTRATOR (

ALTER TABLE ADMINISTRATOR

(70)

59

is_root_word CHAR 1 Keterangan

apakah terms

ada di kamus

Berikut perintah yang digunakan untuk membuat tabel administrator :

4.3. Implementasi Inverted Index

Dari pemodelan Inverted Index di dalam bab sebelumnya, di dalam struktur

Inverted Index pada bagian Ordered Linked List dilakukan sorting pada saat akan menambahkan data sehingga posting dimasukkan secara terurut berdasarkan id document. Setiap data posting baru yang akan ditambahkan dilakukan sequensial search dari indek posisi 0 dengan cara melakukan casting LinkedList ke

ListIterator dan menemukan posisi indek yang tepat berdasarkan nomor id dokumen data posting baru dibandingkan dengan id dokumen yang sudah ada di

dalam List. Proses sorting pada saat penambahan posting di implementasikan dalam listing code 1 pada method addWord di dalam kelas InvertedIndex.

Listing Code 1. Method addWord

CREATE TABLE SOURCETERM (

ALTER TABLE SOURCETERM

(71)

60

Term freqtambah = getWordlist().get(term); //ambil Posting Listnya

ListIterator<Posting> iteratorPosting = freqtambah.getPostlist().listIterator(); //selama iterator posting punnya data berikutnya

while (iteratorPosting.hasNext()) {

//jika jurnal_id Jurnal Posting sama dengan jurnal_id dari parameter

Untuk melakukan search sistem akan menyaring dan memproses kata

kunci masukan dari pengguna kemudian mengakses hashtable Term dengan kata kunci masukan dari pengguna sebagai key. Sistem akan memperoleh sebuah objek

Term untuk setiap kata kunci dan melakukan interseksi dengan method AND pada

Listing Code 2 antar posting list pada setiap Term dengan mencari id dokumen

yang sama. Interseksi akan menghasilkan sebuah posting list baru dengan bobot posting yang sudah diakumulasi untuk setiap posting yang memiliki id dokumen

sama pada saat Interseksi. Jumlah term yang memiliki posting list yang harus di interseksikan adalah sama dengan jumlah kata kunci yang dapat ditemukan oleh

(72)

61

bobot terbersar hingga bobot terkecil. Listing code untuk pencarian dapat dilihat pada lampiran bagian b.

Dalam proses interseksi antara dua term sistem mengambil posting

masing-masing term dan melakukan casting ke type objek ListIterator agar dapat dilakukan traversal pada posting. Posting yang memiliki dokumen paling sedikit akan diprioritaskan sebelum posting yang lain. Untuk dapat melakukan traversal

di masing-masing posting maka dibuat variabel objek bertipe Posting penunjuk bantu1 dan bantu2. Penunjuk bantu1 dan bantu2 mulai dari indek pertama dan

mulai membandingkan id dokumen masing-masing. Jika ditemukan dokumen

yang sama maka akan diambil posting keduanya dan mengakumulasikan bobot

kedua posting kemudian bantu1 bergeser ke posisi index berikutnya. Jika pada

posisi bantu2 yang sedang ditunjuk tidak ditemukan dokumen yang sama, bantu2

akan bergeser ke posisi indek berikutnya hingga ditemukan atau sampai tidak ada

lagi indek berikutnya. Hasil posting interseksi dikembalikan dengan bobot

terakumulasi.

Listing Code 2. Method AND

/*---method untuk operasi AND---*/

public Term AND(Term term1, Term term2) {

ListIterator<Posting> t1;

ListIterator<Posting> t2;

/*jika term1 mempunyai dokumen lebih sedikit dengan term2*/

if (term1.getPostlist().size() < term2.getPostlist().size()) {

t1 = term1.getPostlist().listIterator();

t2 = term2.getPostlist().listIterator();

(73)

62

System.out.print(term1.getPostlist().get(i).getJurnal().getJurnal_id() + " , " + term1.getPostlist().get(i).getTfik() + "| ");

}

System.out.println("");

/*menampilkan kata2*/

System.out.print(term2.getTerm() + " | " + term2.getDfk() + " | ");

for (int i = 0; i < term2.getPostlist().size(); i++) {

System.out.print(term2.getPostlist().get(i).getJurnal().getJurnal_id() + " , " + term2.getPostlist().get(i).getTfik() + "| ");

}

System.out.println("");

/*AND operator*/

Posting bantu1 = t1.next(); /*membuat bantu1 untuk kata t1.next*/

/*membuat penunjuk yang digunakan untuk membandingkan dokumen*/

(74)

(75)

(76)

65

hasil.setDfk(hasil.getDfk() + bantu1.getWord().getDfk());

bantu1.setW(bantu1.getW()+bantu2.getW());

} /*jk tdk tmbh bantu2*/ else {

hasil.getPostlist().add(bantu2);

hasil.setDfk(hasil.getDfk() + bantu2.getWord().getDfk());

bantu2.setW(bantu2.getW()+bantu1.getW());

}

return hasil;

}

4.4. Implementasi Antarmuka

4.5.3. Halaman Pencarian

Pada halaman pencarian jurnal terdapat kolom isian untuk mengisikan kata

kunci pencarian. Pencarian dapat dimulai dengan menekan tombol keyboard Enter

(77)

66

Gambar 4.3 Halaman Utama Pencarian Jurnal

4.5.4. Halaman Hasil Pencarian

Pada halaman hasil pencarian, Gambar 4.4 ditampilkan tambahan

informasi waktu pencarian dan daftar dokumen yang sudah diurutkan sesuai

relevansinya terhadap kata kunci pencarian. Pengguna dapat melihat isi setiap

dokumen dari hasil pencarian dengan membuka link judul dokumen yang dipilih.

Gambar 4.4 Halaman Hasil Pencarian

4.5.5. Halaman Login Administrator

Halaman Login Administrator Gambar 4.5 menampilkan dua kolom isian

(78)

67

pengguna dapat menekan tombol keyboard Enter atau menekan tombol masuk pada tampilan.

Gambar 4.5 Halaman Login Administrator

4.5.6. Halaman Utama Administrator

Halaman utama administrator Gambar 4.6 terdapat menu “Kelola

Makalah” dengan submenu “Tambah Makalah” untuk menuju halaman tambah

makalah dan submenu “Edit Makalah” untuk menuju halaman edit makalah.

Pengguna dapat menekan tombol beranda untuk kembali ke halaman utama

administrator. Tombol “Logout” berfungsi untuk keluar dari halaman utama

(79)

68

Gambar 4.6 Halaman Utama Administrator

4.5.7. Halaman Tambah Makalah

Pada halaman tambah makalah Gambar 4.7 administrator dapat

menambahkan dokumen makalah baru dengan memasukkan data judul, penulis,

tahun pada kolom yang disediakan. Pada kolom file, administrator dapat memilih

file makalah yang berformat pdf yang akan diupload. Setelah semua data lengkap

(80)

69

Gambar 4.7 Halaman Tambah Makalah

4.5.8. Halaman Kelola Jurnal

Halaman kelola jurnal ditunjukkan pada Gambar 4.8 administrator dapat

melakukan pengubahan data makalah yang meliputi judul makalah, nama penulis,

dan tahun dengan menekan icon edit pada baris yang sesuai dengan dokumen yang akan dirubah datanya. Sebuah form seperti pada Gambar 4.9 akan muncul

(81)

70

Gambar 4.8 Halaman Edit Makalah

Gambar 4.9 Form Edit Data Makalah

4.5. Implementasi Control

4.4.1. Subsistem Server Pemrosesan Dokumen

(82)

71

beanEditJurnal beanEditJurnal.java

beanLogin beanLogin.java

beanTambahJurnal beanTambahJurnal.java

DocProcessing DocProcessing.java

DbConnection DbConnection.java

DocProcess DocProcess.java

JobScheduler JobScheduler.java

Tokenizer Tokenizer.java

4.4.2. Subsistem Pencarian

Tabel 4.11. Implementasi Control Subsistem Pencarian

Tokenizer Tokenizer.java

beanBuildIndex beanBuildIndex.java

beancarijurnal beancarijurnal.java

Beankelolajurnal beankelolajurnal.java

beanlogin beanlogin.java

beanTambahJurnal beanTambahJurnal.java

DatabaseConnector DatabaseConnector.java

InformationRetrieval InformationRetrieval.java

JobScheduler JobScheduler.java

(83)

72

4.6. Implementasi Model

4.5.1. Subsistem Server Pemrosesan Dokumen

Tabel 4.10. Implementasi Model Subsistem Pemrosesan Dokumen

Administrator Administrator.java

Documents.java Documents.java

Posting.java Posting.java

Stemming.java Stemming.java

Terms.java Terms.java

4.5.2. Subsistem Pencarian

DaftarJurnal DaftarJurnal.java

DocFilter DocFilter.java

InvertedIndex InvertedIndex.java

Jurnal Jurnal.java

JurnalScore JurnalScore.java

Posting Posting.java

StopList StopList.java

(84)

73

BAB V

ANALISA HASIL

5.1. Pengujian Relevance Feedback

Dari 281 dokumen yang di diproses dalam indexing dengan menggunakan jumlah kamus kata dasar 3278 dan 395 kata buang kata menghasilkan 25737 term

yang digunakan dalam pengujian.

Pengujian menggunakan media kuesioner yang dibagikan kepada 4 orang

mahasiswa Sanata Dharma Yogyakarta. kuesioner dibagi menjadi 2 tahap, yaitu

form kuesioner precision dan form kuesioner recall. Pada tahap pertama

responden diminta untuk melakukan pencarian, mencatat seluruh dokumen hasil

pencarian, dan menandai dokumen yang relevan. Pada tahap kedua responden

diminta untuk melihat seluruh koleksi daftar dokumen dan menandai dokumen

yang relevan terhadap kata kunci yang digunakan dalam pencarian sebelumnya.

1. Kata kunci “penambangan data”

Sistem menghasilkan 2 dokumen dari kata kunci “penambangan data”. Dari 2

dokumen hasil pencarian, responden menemukan 1 dokumen yang relevan. Pada

tahap kedua responden menemukan 8 dokumen yang relevan dari 281 dokumen

koleksi. Perhitungan recall diperoleh. Hasil perhitungan Recall dan precision

dapat dilihat padat tabel 5.1.

Berikut dokumen hasil pencarian.

1. ANALISIS ASOSIASI HASIL EVALUASI PEMBELAJARAN

MEMPERGUNAKAN ALGORITMA APRIORI

2. ARSITEKTUR DATA SPASIAL UNTUK INFORMASI TEMATIS

(85)

74

Tabel 5.1 Recal Precision query “penambangan data”

ID Relevan Recall Precision

257 R 0,125 1

115 0,125 0,5

Tabel 5.2 Interpolasi Recall Precision query “penambangan data”

Recall Precision 0% 100% 10% 100%

20% 0%

30% 0%

40% 0%

50% 0%

60% 0%

70% 0%

80% 0%

90% 0%

100% 0%

Dari tabel 5.2 dan Gambar 5.1 dapat dilihat diperoleh precision 100% dari

nilai recall 0-10% dan menurun hingga 0% pada nilai recall 20-100%.. Hal ini

dikarenakan dokumen relevan yang ditemukan responden yaitu 8 dokumen lebih

banyak daripada dokumen relevan yang ditemukan menurut sistem yaitu 1,

dimana beberapa dari dokumen tersebut mengandung kata “data mining” yang

(86)

75

Gambar 5.1 Grafik Recall precision query “penambangan data”

Istilah “penambangan data” memiliki sinonim dalam bahasa inggris sehingga

dilakukan pengujian dengan kata kunci “data mining” untuk memberi

perbandingan.

Dokumen hasil pencarian dengan kata kunci “data mining”.

1. PERANCANGAN APLIKASI DATA MINING STUDI KASUS: ANALISIS

KEPUASAN PELANGGAN PT. XYZ

2. PENGGUNAAN ANALISA ASOSIASI (ASSOCIATION ANALYSIS)

DALAM PEMILIHAN LOKASI WISATA BERDASARKAN

KARAKTERISTIK SOSIO-DEMOGRAFIS WISATAWAN

3. KLASIFIKASI EVENT PADA PROCESS LOGS MENGGUNAKAN

MODEL REGRESI LOGISTIK

4. PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA

ASSOCIATION RULES UNTUK MEMPREDIKSI PILIHAN PROGRAM

STUDI DI SEKOLAH TINGGI XYZ

(87)

76

5. Market Basket Analysis Berbasis Classifier Characterictic untuk

MENENTUKAN PERSENTASE MODEL DESKRIPSI MEDIA

RELATIONS PERGURUAN TINGGI

6. ANALISIS ASOSIASI HASIL EVALUASI PEMBELAJARAN

MEMPERGUNAKAN ALGORITMA APRIORI

7. ANALISIS KEMUNGKINAN PENGUNDURAN DIRI CALON

MAHASISWA DI STMIK STIKOM BALI DENGAN ALGORITMA

BAYESIAN CLASSIFICATION

8. PENGOLAHAN DATA WAREHOUSE AKADEMIK SEBAGAI

PENUNJANG KEPUTUSAN DI PERGURUAN TINGGI

9. PERANCANGAN e-HEALTH MANAGEMENT SYSTEM

10.CUSTOMER RELATIONSHIP MANAGEMENT (CRM) UNTUK USAHA

KECIL DAN MENENGAH

11.PEMANFAATAN BUSINESS INTELLIGENCE DALAM PERENCANAAN

PEMBANGUNAN NASIONAL: STUDI KASUS BADAN PERENCANAAN

PEMBANGUNAN NASIONAL

12.PEMANFAATAN KNOWLEDGE MANAGEMENT SYSTEM BERBASIS

OPENSOURCES UNTUK INSTANSI PEMERINTAH STUDI KASUS:

DIREKTORAT E-GOVERNMENT KEMENTERIAN KOMUNIKASI DAN

INFORMATIKA

13.DASHBOARDING INFORMATION SYSTEMS FOR THE EDUCATION

(88)

77

14.EFISIENSI MATRIKS: PERBEDAAN SISTEM TUNGGAL DAN

CLUSTER DENGAN ALGORITMA MAPREDUCE

15.MODEL KNOWLEDGE MANAGEMENT PADA PERUSAHAAN

DISTRIBUTOR FARMASI DAN CONSUMER PRODUCT

16.SISTEM ANALISIS OPINI MICROBLOGGINGBERBAHASA INDONESIA

17.FAKTOR KONTEKSTUAL DALAM PEMANFAATAN WEB SEBAGAI

MEDIA KOMUNIKASI CSR OLEH PERUSAHAAN

18.ALGORITMA UNTUK EKSTRAKSI TABEL HTML DI WEB

19.PERBANDINGAN ALGORITMA BINERISASI PADA CITRA TULANG

ABNORMAL TELAPAK TANGAN MANUSIA

20.PENJADWALAN PERKULIAHAN DENGAN METODE COMPACT

GENETIC ALGORITHM (STUDI KASUS UNIVERSITAS WIDYATAMA)

21.PENERAPAN CRM DENGAN SISTEM INFORMASI BERBASIS WEB

UNTUK KEPUASAN PELANGGAN

22.MUSIC THERAPY ISSUES ON MUSIC INFORMATION RETRIEVAL

Sistem menghasilkan 22 dokumen dari kata kunci “data mining”. Dari 22

dokumen hasil pencarian, responden menemukan 8 dokumen yang relevan. Pada

tahap kedua responden menemukan 8 dokumen yang relevan dari 281 dokumen

koleksi. Perhitungan recall diperoleh. Hasil perhitungan Recall dan precision

dapat dilihat padat tabel 5.4. dan tabel 5.5.

Tabel 5.4 Recal Precision query “data mining”

No Urut Relevan Recall Precision

(89)

78

Tabel 5.5 Interpolasi Recall Precision query “data mining”

(90)

79

dengan grafik pada gambar 5.1 query “data mining” menghasilkan precision

yang lebih baik karena dokumen yang mengandung kata “data mining” lebih

banyak jumlahnya daripada dokumen yang mengandung kata “penambangan

data” .

Gambar 5.2 Grafik Recall precision query “data mining”

2. Kata kunci “pemerolehan informasi”

Sistem menghasilkan 1 dokumen dari kata kunci “pemerolehan informasi”.

Dari 1 dokumen hasil pencarian, responden menemukan 1 dokumen yang relevan.

Pada tahap kedua responden menemukan 5 dokumen yang relevan dari 281

dokumen koleksi. Perhitungan recall diperoleh. Hasil perhitungan Recall dan

precision dapat dilihat padat tabel 5.3.

0% 20% 40% 60% 80% 100% 120%

Interpolasi

(91)

80

Tabel 5.3 Recal Precision query “pemerolehan informasi”

Hasil Relevan Recall Precision

257 R 0,2 1

Tabel 5.4 Interpolasi Recall Precision query “pemerolehan informasi”

Recall Precision

Gambar 5.2 Recall precision query “pemerolehan informasi”

(92)

81

dikarenakan dokumen relevan yang ditemukan responden yaitu 5 dokumen lebih

banyak daripada dokumen relevan yang ditemukan menurut sistem yaitu 1 dimana

4 dokumen yang mengandung istilah “information retrieval” dan 1 dokumen yang

mengandung istilah “pemerolehan informasi” dan menurut responden relevan.

Kata kunci “apriori”

Sistem menghasilkan 2 dokumen dari kata kunci “apriori”. Dari 2 dokumen

hasil pencarian, responden menemukan 2 dokumen yang relevan. Pada tahap

kedua responden menemukan 2 dokumen yang relevan dari 281 dokumen koleksi.

Perhitungan recall diperoleh. Hasil perhitungan Recall dan precision dapat dilihat

padat tabel 5.5.

Tabel 5.5 Recal Precision query “apriori”

257 R 0,5 1

278 R 1 1

Tabel 5.6 Interpolasi Recal Precision query “apriori”

(93)

82 100% 100%

Gambar 5.3 Recall precision query “apriori”

Dari tabel 5.6 dan Gambar 5.3 dapat dilihat diperoleh precision 100% dari nilai recall 0-100%. Untuk kata kunci tersebut sistem menghasilkan dokumen relevan yang sama dengan menurut responden.

3. Kata kunci “pemanfaatan data warehouse”

Sistem menghasilkan 1 dokumen dari kata kunci “pemanfaatan data

warehouse”. Dari 1 dokumen hasil pencarian, responden menemukan 1 dokumen

yang relevan. Pada tahap kedua responden menemukan 3 dokumen yang relevan

dari 281 dokumen koleksi. Perhitungan recall diperoleh. Hasil perhitungan Recall

dan precision dapat dilihat padat tabel 5.7.

Tabel 5.7 Recall precision query “pemanfaatan data warehouse”

0% 20% 40% 60% 80% 100% 120%

Interpolasi

(94)

83

234 R 0,333333 1

Tabel 5.8 Interpolasi recall precision query “pemanfaatan data warehouse”

Recall Precision

Gambar 5.4 Recall precision query “pemanfaatan data warehouse”

Dari tabel 5.8 dan Gambar 5.2 dapat diperoleh precision 100% dari nilai

recall 0-40% dan menurun hingga 0% pada nilai recall 40-100%. Hal ini dikarenakan dokumen relevan yang ditemukan responden yaitu 4 dokumen lebih

(95)

84

banyak daripada dokumen relevan yang ditemukan menurut sistem yaitu 1 karena

responden juga menemukan dokumen-dokumen yang mengandung kata “gudang

data” dan menurut responden relevan.

Dari pencarian tersebut ditemukan juga 2 kata kunci yaitu data warehouse

yang sebenarnya di dalam dokumen terletak pada daftar pustaka dimana sistem

melakukan index pada seluruh isi dokumen. Hal tersebut ditemukan pada

dokumen dengan judul “IMPLEMENTASI TABEL AGREGAT UNTUK

MENINGKATKAN UNJUK KERJA MODEL BASISDATA MULTIDIMENSI

(STUDI KASUS PERUSAHAAN PERSEWAAN BAN "XYZ") “.

5.2. Pengujian Performa Inverted Index

Percobaan menggunakan operasi AND dengan melakukan interseksi antar

postinglist yang diperoleh saat pencarian ke dalam InvertedIndex.

Pada tabel 1 menunjukkan pada kelompok dfk 1-2 untuk untuk kelompok 1

hingga 4 kata kunci berada pada 0,001 detik, hal ini karena sistem masih belum

bisa mencatat waktu kurang dari 0,001 detik, kemungkinan waktu tersebut

kurang dari 0,001 detik. Pada kelompok dfk ±140, waktu akses diperoleh 0,0017

detik untuk 1 kata kunci hingga 0,0041 detik untuk 4 kata kunci. Pada grafik

gambar 8 terlihat peningkatan waktu akses tersebut linear. Pada kelompok dfk 281 terjadi peningkatan waktu akses dari 0,0033 detik untuk 1 kata kunci hingga

0,0491 detik untuk 4 kata kunci. Peningkatan waktu akses dari 1 kata kunci ke 2