View of Analisis Trend dan Pemetaan Penelitian Mahasiswa Teknik Informatika Menggunakan Graph Convolutional Network

(1)

915 Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 915-925 E-ISSN 2503-2933

http://jurnal.mdp.ac.id [email protected] June25^th, 2012; Accepted July 10^th, 2012

Analisis Trend Dan Pemetaan Penelitian Mahasiswa Teknik Informatika Menggunakan Graph Convolutional

Network

Tifani Intan Solihati¹, Raden Kania², Rudianto³

1,2,3

Jurusan Teknik Informatika, FILKOM, UNBAJA, Serang

e-mail: ¹[email protected], ²[email protected], ³[email protected]

Abstrak

Selama ini, skripsi selesai disusun (selama proses bimbingan), dipertahankan (diuji dalam sidang skripsi) dan direvisi serta divalidasi oleh Dosen Pembimbing, Dosen Penguji, Kaprodi, dan Dekan, kemudian dikumpulkan di perpustakaan dan setelahnya dapat kembali dipergunakan oleh mahasiswa lainnya yang membutuhkan informasi tersebut. Tujuan dari pelaksanaan penelitian ini adalah untuk menemukan tren penelitian mahasiswa dan menemukan kepakaran dosen berdasarkan hasil karya tersebut. Setelah menemukan tren dan kepakaran, maka Fakultas akan dapat mengambil keputusan yang tepat dalam menentukan topik/Bidang/kajian yang akan ditetapkan dan memilih dosen pembimbing dan penguji sesuai dengan bidang keilmuan dan pengalaman dosen tersebut. Adapun tahapan dari penelitian yang akan kami lakukan pertama prepocessing tahapan ini kami melakukan data providers pengumpulan data skripsi mahasiswa terkumpul pada Teknik Informatika. Kedua learning algorithm Tahapan selanjutnya structured data pada data training siap digunakan pada learning algorithm dengan GCN sampai menghasilkan candidate model dan deploy selected model. Applications adalah tahapan penerapan golden model pada data testing yang kita miliki diawal dan mengukur akurasi dari golden model tersebut. bahwa trend penelitian mahasiswa Teknik Informatika lebih banyak kebidang keilmuan/ranah topik matematika dan statistika dan computer arsitektur. Berturut-turut pemetaan ranah topik tersebut sebanyak 182 dan 101 judul. Hasil akurasi model GCN menentukan kelas target sebesar 68,25%.

Kata kunci—Analisis, GCN, Pemetaan ,Trend

Abstract

So far, the thesis has been compiled (during the guidance process), defended (tested in the thesis session) and revised and validated by the Advisor, Examiner, Head of Study Program, and the Dean, then collected in the library and afterwards can be used again by other students who need information the. The purpose of carrying out this research is to find student research trends and discover lecturer expertise based on the results of the work. After finding trends and expertise, the Faculty will be able to make the right decisions in determining the topic/field/study to be determined and selecting supervisors and examiners according to the scientific field and experience of the lecturer. As for the stages of the research that we will carry out, the first pre-processing stage is we conduct data providers to collect student thesis data collected in Informatics Engineering. Both learning algorithms The next stage is structured data in training data ready to be used in learning algorithms with GCN to produce candidate models and deploy selected models. Applications are the stages of applying the golden model to the testing data we have at the beginning and measuring the accuracy of the golden model. that the research trend of Informatics Engineering students is more in the field of science/the topic

(2)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 915-925 E- ISSN 2503 -2933 916

Tifani, et., al [Analisis Trend dan Pemetaan Penelitian Mahasiswa Teknik Informatika Menggunakan Graph Convolutional Network]

IJCCS Vol. x,

domain of mathematics and statistics and computer architecture. The mapping of the topic domain is 182 and 101 titles respectively. The accuracy of the GCN model determines the target class of 68.25%.

Keywords—Analysis, GCN, Mapping, Trend

1. PENDAHULUAN

kripsi merupakan karya monumental bagi mahasiswa yang telah menyelesaikan jenjang pendidikan tinggi baik Sarjana (S1) atau pun Diploma (D3). Sebagai tugas akhir mahasiswa, skripsi merupakan hasil analisis dan penelitian mahasiswa yang dilakukan secara ilmiah sehingga skripsi merupakan salah satu karya ilmiah. Penyelesaian skripsi mahasiswa pada umumnya melalui proses pembimbingan oleh dosen pembimbing yang dipilih baik oleh mahasiswa atau penugasan dari Kaprodinya. Peranan mahasiswa dan dosen pembimbing dalam penyelesaian skripsi sama-sama penting. Pada umumnya mahasiswa akan memilih kajian skripsi sesuai dengan bidang yang diinginkan atau dikuasainya, demikian pun dalam pemilihan dosen pembimbing pun biasanya didasarkan atas kepakaran dosen-dosen tersebut, sehingga sinergis dalam penyelesaiannya. Selama ini, skripsi setelah selesai disusun (selama proses bimbingan), dipertahankan (diuji dalam sidang skripsi) dan direvisi serta divalidasi oleh Dosen Pembimbing, Dosen Penguji, Kaprodi, dan Dekan, kemudian dikumpulkan di perpustakaan dan setelahnya dapat kembali dipergunakan oleh mahasiswa lainnya yang membutuhkan informasi tersebut. Sebagai suatu karya ilmiah, sudah selayaknya Universitas Banten Jaya melakukan penelitian mengenai karyakarya ilmiah yang dihasilkan oleh para mahasiswa dan dosen. Tujuan dari pelaksanaan penelitian ini adalah untuk menemukan trend penelitian mahasiswa dan menemukan kepakaran dosen berdasarkan hasil karya tersebut.

Setelah menemukan trend dan kepakaran, maka Fakultas akan dapat mengambil keputusan yang tepat dalam menentukan topik/Bidang/kajian yang akan ditetapkan dan memilih dosen pembimbing dan penguji sesuai dengan bidang keilmuan dan pengalaman dosen tersebut. Hasil akhirnya adalah karya ilmiah mahasiswa akan semakin fokus, sesuai, sinergis dan berkualitas.

Karya berkualitas akan tercermin dalam skripsi mahasiswa di masa mendatang.

2. TINJAUAN PUSTAKA

2.1 Skripsi

Skripsi adalah karya ilmiah yang disusun menurut kaidah keilmuan dan ditulis berdasarkan kaidah bahasa Indonesia yang benar, dibawah pengawasan atau pengarahan dosen pembimbing. Adapun kegiatan yang penting dalam melaksanakan dan mengorganisasikan skripsi adalah sebagai berikut: untuk mendapatkan latar belakang pengetahuan secara luas yang berhubungan dengan topik permasalahan[1] [2][3][4]

2.2 Peta Jalan Berdasarkan Ranah Keilmuan Teknik Informatika Berikut ranah keilmuan ke ranah topik bidang informatika meliputi:

1.

Pembentukan Karakter dan Kecakapan Hidup

2.

Matematika dan Statistika

3.

Algoritma dan Pemprograman

S

(3)

917 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 915-925 E-ISSN 2503-2933

rt and clear, implies research results (First Author)

4.

Sistem Cerdas

5.

Grafika Komputer dan Multimedia

6.

Rekayasa Perangkat Lunak

7.

Komputer Arsitektur

8.

Sistem Terdistribusi

Gambar 1. Roadmap Ranah Keilmuan Ke Ranah Topik Teknik Informatika [5].

Berdasarkan gambar 1 seharusnya skripsi mahasiswa dapat dipetakan berdasarkan roadmap ranah keilmuan ke ranah topik Teknik Informatika. Topik tersebut yang nantinya akan menjadi output pada pemetaan sistem pada penelitian ini.

2.3 Natural language Processing

Natural Language Processing atau sering disingkat NLP adalah salah satu bidang ilmu komputer, kecerdasan buatan dan bahasa (linguistik) yang berkaitan dengan interaksi antara komputer dengan bahasa alami manusia. Bahasa alami adalah bahasa yang dapat dipahami manusia. Pada prinsipnya, bahasa alami adalah suatu bentuk informasi yang akan disampaikan dari satu pengguna ke pengguna lainnya. Bahasa alami dapat direpresentasikan dalam bentuk suara atau teks . Dua teknik utama untuk memahami NLP adalah syntactic analysis (analisis sintaksis) dan semantic analysis (analisis semantik). Kedua teknik digunakan untuk memverifikasi struktur bahasa. Analisis sintaksis mengacu pada tata bahasa, sedangkan analisis semantik merujuk pada penafsiran suatu kalimat [6].

2.4 Deep Learning

Deep learning adalah salah satu bidang machine learning yang memanfaatkan banyak layer pengolahan informasi nonlinier untuk melakukan ekstraksi fitur, pengenalan pola, dan klasifikasi. Deep learning adalah sebuah pendekatan dalam penyelesaian masalah pada sistem pembelajaran komputer yang menggunakan konsep hierarki. Konsep hierarki membuat komputer mampu mempelajari konsep yang kompleks dengan menggabungkan dari konsep-

(4)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 915-925 E- ISSN 2503 -2933 918

IJCCS Vol. x,

konsep yang lebih sederhana. Jika digambarkan sebuah graf bagaimana konsep tersebut dibangun di atas konsep yang lain, graf ini akan dalam dengan banyak layer, hal tersebut menjadi alasan disebut sebagai deep learning (pembelajaran mendalam) [7].

Studi klasifikasi teks deep learning dapat dikategorikan menjadi dua kelompok. Satu kelompok studi berfokus pada model berdasarkan penyisipan kata. Baru-baru ini penelitian menunjukkan bahwa keberhasilan pembelajaran mendalam pada klasifikasi teks sangat tergantung pada efektivitas kata embeddings. Beberapa penulis menggabungkan kata tanpa pengawasan embeddings sebagai embeddings dokumen kemudian memasukkan dokumen ini embeddings ke dalam classifier. Adapun yang lain bersama-sama mempelajari kata/dokumen dan penyematan label dokumen. Penelitian ini terhubung dengan metode ini, perbedaan utama adalah bahwa metode ini membangun teks representasi setelah mempelajari penyisipan kata saat kami pelajari penyematan kata dan dokumen secara bersamaan untuk klasifikasi teks pada skripsi mahasiswa [8].

2.5 Graph Neural Network

Gambar 2. Graph Neural Network

Gambar 2. merupakan gambar dari Graph Neural Network terdiri dari Dokumen- dokumen (elips putus-putus) terorganisir sebagai graf di mana node menyebutkan salah satu dari entitas kandidat atau entitas kueri. Node dengan warna yang sama menunjukkan mereka merujuk ke entitas yang sama (tepat cocok, koreferensi atau keduanya). Node terhubung oleh tiga hubungan sederhana: satu menunjukkan co-occurence dalam dokumen yang sama (solid edges), penghubung lain menyebutkan bahwa exactly match (dashed edges), dan yang ketiga menunjukkan coreference (bold-red line) [8]. Graph Neural Network biasa disebut juga Graph Convolution Network (GCN)[9]. GCN juga dieksplorasi di beberapa tugas NLP seperti pelabelan peran semantik, klasifikasi relasi dan terjemahan mesin, di mana GCN digunakan untuk mengkodekan struktur sintaksis kalimat.

3. METODE PENELITIAN 3.1 Tahapan Penelitian

(5)

919 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 915-925 E-ISSN 2503-2933

rt and clear, implies research results (First Author) Gambar 3. Proses Tahapan Penelitian Analisis Trend dan Pemetaan Penelitian Mahasiswa

Berdasarkan gambar 3. proses analisis trend dan pemetaan penelitian mahasiswa menggunakan GCN akan dibagi menjadi beberapa bagian [10][9] :

1. Prepocessing

Tahapan ini kami melakukan data providers pengumpulan data skripsi mahasiswa terkumpul pada Teknik Informatika melalui Perpustakaan UNBAJA. Jumlah data yang terkumpul merupakan raw data dari tahun 2005-2021. Raw data terdiri dari file pdf skripsi lengkap mahasiswa jurusan Teknik Informatika sebanyak 960 yang akan di bagi menjadi data training dan data testing. Kemudian pada tahapan prepocessing kami akan menggunakan data processing tools yaitu Menggunakan algoritma TF-IDF dan pengenalan entitas bernama, kita bisa mendapatkan atribut dari setiap entitas dalam grafik pengetahuan, dan menghubungkannya dengan lima node virtual sebanyak mungkin.sehingga menghasilkan strucured data yang dapat diolah ke tahap selanjutnya.

2. Learning Algorithm

Tahapan selanjutnya structured data pada data training siap digunakan pada learning algorithm dengan GCN sampai menghasilkan candidate model dan deploy selected model dengan beberapa skenario yang akan digunakan kedepannya. Sehingga menghasilkan golden model atau model terbaik dari berbagai skenario yang digunakan.

3. Applications

Tahapan applications ini adalah tahapan penerapan golden model pada data testing yang kita miliki diawal dan mengukur akurasi dari golden model tersebut. Tahapan ini pun kita sudah dapat menganalisis trend dan pemetaan penelitian Mahasiswa Teknik Informatika sesuai ranah topiknya.

(6)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 915-925 E- ISSN 2503 -2933 920

IJCCS Vol. x,

3.2 Arsitektur Graph Convolution Network

Gambar 4. Arsitektur Graph Convolution Network [11].

Arsitektur keseluruhan dari metode GCN yang kami rancang ditunjukkan pada Gambar 4.

Ada tiga langkah dari kiri ke kanan. Langkah pertama adalah menginput skripsi mahasiswa.

Pada Gambar 5, terdapat lima skripsi mahasiswa diambil sebagai contoh. Skripsi tersebut ditandai sebagai T1, T2, T3, T4, dan T5. Kode sumber terbuka TextGrapher mengubah lima skripsi menjadi graph pengetahuan yang homogen. Pada langkah kedua, tensor yang tersusun dari graphs tersebut diperoleh terlebih dahulu melalui BERT as Service untuk mendapatkan word embedding vector dari setiap node sebagai nilai awal dari node dari node tersebut. Pada langkah ketiga, kami menggunakan GCN dan metode penyatuannya untuk mendapatkan vektor penyisipan dari setiap graph pengetahuan dan membentuk vektor-vektor tersebut ke dalam matriks vektor penyisipan graph. Cross-entropy loss function digunakan untuk melatih GCN dan memperbarui parameter untuk mewujudkan klasifikasi/pemetaan skripsi dengan label yang berbeda [8] [9].

3.3 Algoritma Graph Convolution Network (GCN)

GCN dikembangkan dari graph neural network (GNN). Definisi GNN, kita secara formal mendefinisikan himpunan graphs ܩ = (݃1, ݃2, … ݃݊). Untuk setiap grafik ݃ = (ܸ, ܧ), di mana V adalah himpunan nodes dalam graph. E adalah himpunan sisi pada graph (edges) tersebut.

Setiap sembarang node ݒ ∈ ܸ, terdapat sisi yang terhubung dengan dirinya sendiri, yaitu (ݒ, ݒ) ∈ ܧ. Untuk setiap graph terdapat matriks ܺ ∈ ℝ^݅×݆ yang merepresentasikan himpunan ciri awal setiap node pada graf tersebut , di mana i mewakili jumlah node dalam graph dan j mewakili dimensi fitur setiap node. Kami akan membahas bagaimana mendapatkan keadaan awal pada tahap selanjutnya. Setiap graph terdapat matriks ketetanggaan A dan matriks derajat D yang bersesuaian. Maka GCN dapat didefinisikan rumus lapisan pertama adalah :

Rumus diatas, ܹ݋ ∈ ℝ^݅×݆ mewakili matriks bobot. ܴ݁ܮܷ(. ) mewakili fungsi aktivasi, didefinisikan sebagai ܴ݁ܮܷ(ݔ) = max (0, ݔ). Iterasi jumlah lapisan GCN bisa mendapatkan fitur yang lebih dalam. Dengan menggunakan rumus pembaharuan status tersembunyi GCN diperoleh sebagai berikut :

(7)

921 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 915-925 E-ISSN 2503-2933

rt and clear, implies research results (First Author) Dimana t menyatakan jumlah iterasi. Secara khusus H(0) = ܺ.

3.4 Metode Graph Pooling Based pada Graph U-Net dan Self-Attention Mechanism

Metode Graph Pooling digunakan untuk mengurangi ukuran peta fitur dengan menambahkan metode Graph U-Net dan Self-Attention Mechanism. Metode ini menggabungkan struktur graph yang dapat lebih baik meningkatkan klasifikasi/pemetaan graph.

Definisi gPool sebagai berikut [11]:

di mana p adalah vektor proyeksi yang dapat dilatih. Diberikan sebuah simpul I dan vektor cirinya ݔ݅. Ketika graph g diberikan, X mewakili vektor fitur dari semua node dalam graph dan mewakili jumlah GCN selama operasi gPool.

4. HASIL DAN PEMBAHASAN

4.1 Preprocessing

Data judul skripsi mahasiswa Teknik Informatika diberikan label berdasarkan jenis ranah keilmuan topik Informatika. Label tersebut meliputi L-1 untuk pembentukan karakter dan kecakapan hidup, L-2 matematika dan statistika, L-3 Algoritma dan Pemprograman, L-4 sistem cerdas, L-5 grafika komputer dan multimedia, L-6 rekayasa perangkat lunak, L-7 komputer arsitektur, L-8 sistem terdistribusi, serta selanjutnya data tersebut di tansformasi menggunakan TF-IDF sehingga data tersebut dapat diolah ketahap selanjutnya seperti gambar 5.

(8)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 915-925 E- ISSN 2503 -2933 922

IJCCS Vol. x,

Gambar. 5 Hasil Preprocessing

4.2 Learning

Tahapan ini menggunakan data transformasi sebelumnya dengan menggunakan komposisi 80:20. Jumlah data 80% digunakan sebagai data training/data pelatihan dan 20%

digunakan sebagai data testing/data pengujian. Berdasarkan gambar 6. jumlah record menyatakan ranah topik judul skripsi mahasiswa (L1-L2) dan untuk field secara berurutan meliputi id, bidang keilmuan, serta tahun penelitian skripsi dilakukan. Hasil yang terlampir pada value field tahun merupakan jumlah judul skripsi berdasarkan bidang keilmuannya. Analisis trend dan pemetaan tertinggi diperoleh jumlah tiga terbesar pada tahun 2012 jumlah pemetaan 182 trend skripsi terbanyak dengan bidang keilmuan matematika dan statistika. Posisi kedua diikuti jumlah pemetaan 101 judul skripsi tahun 2016 dengan bidang keilmuan komputer arsitektur. Posisi ketiga diikuti tahun 2015 komputer arsitektur.

Gambar 6. Hasil Data Pelatihan

(9)

923 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 915-925 E-ISSN 2503-2933

rt and clear, implies research results (First Author) 4.3 Applications

Berdasarkan gambar 7. hasil data pelatihan terlampir pada value field tahun merupakan jumlah judul skripsi berdasarkan bidang keilmuannya. Analisis trend dan pemetaan tertinggi diperoleh jumlah tiga terbesar pada tahun 2012 jumlah pemetaan 182 trend skripsi terbanyak dengan bidang keilmuan matematika dan statistika. Posisi kedua diikuti jumlah pemetaan 101 judul skripsi tahun 2016 dengan bidang keilmuan komputer arsitektur. Posisi ketiga diikuti tahun 2015 komputer arsitektur.

Gambar 7. Hasil Data Pelatihan

4.4 Akurasi

Gambar 8. menyatakan grafik hasil akurasi dengan rata-rata akurasi mencapai 68,25%.

Gambar 8. Hasil Akurasi

(10)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 915-925 E- ISSN 2503 -2933 924

IJCCS Vol. x,

5. KESIMPULAN

Berdasarkan pemaparan diatas kami dapat menyimpulkan bahwa trend penelitian mahasiswa Teknik Informatika lebih banyak kebidang keilmuan/ranah topik matematika dan statistika dan computer arsitektur. Berturut-turut pemetaan ranah topik tersebut sebanyak 182 dan 101 judul. Hasil akurasi model GCN menentukan kelas target sebesar 68,25%.

6. SARAN

Penelitian ini kami berharap dapat menjadi acuan kedepannya, dengan menambahkan tahapan proses preprocessing dan membuat kombinasi model GCN.

UCAPAN TERIMA KASIH

Penulis mengucapkan terima kasih kepada Perpustakaan Kampus Universitas Banten Jaya yang telah memberi dukungan sumber data dan tempat penelitian., serta kepada Kemendikbud yang telah memberikan dukungan finansial pada penelitian ini.

DAFTAR PUSTAKA

[1] A. Risparyanto, “Turnitin Sebagai Alat Deteksi Plagiarisme,” UNILIB J. Perpust., Vol.

11, No. 2, Aug. 2020, doi: 10.20885/unilib.vol11.iss2.art5.

[2] A. R. Syahputra, “Implementasi Algoritma Winnowing Untuk Deteksi Kemiripan Judul Skripsi Studi Kasus: STMIK Budi Darma,” Pelita Inform. Budi Darma, Vol. 12, No. 1, pp. 1–9, 2017.

[3] “Aplikasi Repository Pada Perpustakaan Universitas Banten Jaya,” J. Sist. Inf. dan Inform., Vol. 3, No. 2, pp. 110–126, 2020, doi: 10.47080/simika.v3i2.1012.

[4] R. Vebrianto, “Trend Tema Penelitian Tugas Akhir Mahasiswa Pendidikan Kimia FTK UIN SUSKA Riau (2006-2017): Sebuah Kajian Kasus,” J. Nat. Sci. Integr., Vol. 1, No. 1, pp. 1–10, 2018, doi: 10.24014/jnsi.v1i1.5182.

[5] Aptikom, Pengembangan Kurikulum KKNI Berdasarkan OBE Bidang Ilmu Informatika dan Komputer, Vol. 1, No. 1. 2020.

[6] V. R. Prasetyo, N. Benarkah, and V. J. Chrisintha, “Implementasi Natural Language Processing Dalam Pembuatan Chatbot pada Program Information Technology Universitas Surabaya,” Teknika, Vol. 10, No. 2, pp. 114–121, 2021, doi:

10.34148/teknika.v10i2.370.

[7] A. Z. Arham, Klasifikasi Ulasan Buku Menggunakan Algoritma Convolutional Neural Network – Long Short Term Memory. 2018.

(11)

925 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 915-925 E-ISSN 2503-2933

rt and clear, implies research results (First Author) [8] N. de Cao, W. Aziz, and I. Titov, “Question Answering by Reasoning Across Documents With Graph Convolutional Networks,” NAACL HLT 2019 - 2019 Conf. North Am.

Chapter Assoc. Comput. Linguist. Hum. Lang. Technol. - Proc. Conf., Vol. 1, pp. 2306–

2317, 2019, doi: 10.18653/v1/n19-1240.

[9] L. Yao, C. Mao, and Y. Luo, “Graph Convolutional Networks for Text Detection,”

Thirty-Third AAAI Conf. Artif. Intell., p. 19, 2019, [Online]. Available: www.aaai.org

[10] T. N. Kipf and M. Welling, “Semi-Supervised Classification With Graph Convolutional Networks,” 5th Int. Conf. Learn. Represent. ICLR 2017 - Conf. Track Proc., pp. 1–14, 2017.

[11] X. Han et al., “The Status and Trend of Chinese News Forecast Based on Graph Convolutional Network Pooling Algorithm,” Appl. Sci., Vol. 12, No. 2, pp. 1–10, 2022, doi: 10.3390/app12020900.