PROPOSAL PENELITIAN MANDIRI

(1)

PROPOSAL PENELITIAN MANDIRI

SISTEM TEMU KEMBALI MASAKAN TRADISIONAL

INDONESIA BERDASARKAN BAHAN BERBAHASA INGGRIS

MENGGUNAKAN ALGORITMA KNN

PENGUSUL

AYUNI ASISTYASARI, M.KOM / 0326068903 YOSEP NURYAMAN, M.KOM / 0329098901

BIBIT SUDARSONO, M.KOM / 0324049201 UMI FADDILA, M.KOM/0322128101

FAKULTAS TEKNOLOGI INFORMATIKA UNIVERSITAS BINA SARANA INFORMATIKA

(2)

HALAMAN PENGESAHAN

1. Judul Penelitian : Sistem Temu Kembali Masakan Tradisional Indonesia Berdasarkan Bahan Berbahasa Inggris Menggunakan Algoritma KNN 2. Pengusul

a. Nama Lengkap : Ayuni Asistyasari, M.KOM b. NIDN : 0326068903

c. Jabatan Fungsional :

-d. Program Studi : Teknologi Informatika

e. Alamat Institusi : Jl. Kramat Raya No. 98, Jakarta Pusat f. Telpon/Faks/E-mail : (021) 23231170

3. Jumlah Anggota

a. Nama Anggota 1 : Yosep Nuryaman, M.KOM b. Nama Anggota 2 : Bibit Sudarsono, M.KOM c. Nama Anggota 3 : Umi Faddilah, M.KOM 4. Rencana Biaya Penelitian : Rp.

4.570.000,-5. Sumber Dana Penelitian : (Mandiri)

(3)

DAFTAR ISI

Halaman

Halaman Sampul ... i

Halaman Pengesahan ... ii

Daftar Isi... iii

Ringkasan ... iv BAB I PENDAHULUAN ... 5 1.1. Latar Belakang ... 5 1.2. Rumusan Masalah ... 5 1.3. RuangLingkup ... 6 1.4. Tujuan Penelitian... 6

BAB II TINJAUAN PUSTAKA ... 7

2.1. Masakan Tradisional……… ... 7

2.2. Cross-Industry Standard Process for Data Mining... 7

2.3. K-Nearest Neighbord ……… ... 9

2.4. Evaluasi dan Validasi ……….…………... 10

BAB III METODE PENELITIAN ... 12

3.1. Lokasi Penelitian ……… 12

3.2. Teknik Pengumpulan Data Dan Analisis Data ……… ... 12

BAB IV JADWAL PENELITIAN ... 13

DAFTAR PUSTAKA ... 14

LAMPIRAN ... 14

Lampiran 1. Justifikasi Anggaran Penelitian ... 14

(4)

RINGKASAN

Salah satu ragam kekayaan yang dimiliki oleh indonesia yang perlu dijaga kelestarian dan dipromosikan ke negara-negara lainnya adalah makanan tradisional indonesia. Apalagi disaat pandemi saat ini, perlu adanya cara-cara khusus untuk mempromosikan hal tersebut seperti pembuatan website masakan tradisional. Namun dengan adanya perbedaan bahasa perlu adanya teknik tertentu dalam pencarian yang dapat menampilkan masakan tradisional dalam bahasa inggris maupun bahasa indonesia. Penulis kemudian melakukan perhitungan sistem temu kembali bahan masakan tradisional Indonesia berbahasa inggris dengan menggunakan algoritma knn yang menghasilkan akurasi sebesar 80% pada k5.

(5)

BAB I

PENDAHULUAN

1.1. Latar Belakang

Masakan tradisional Indonesia merupakan salah satu kekayaan yang perlu dijaga kelestariannya bahkan perlu diajarkan turun temurun khususnya ke anak cucu kita. Selain itu juga perlu adanya promosi ke negara-negara lain untuk lebih mengenalkan kekayaan Indonesia tersebut. Apalagi disaat pandemic saat ini dimana perlu adanya terobosan baru dalam promosi makanan tradisional tersebut.

Salah satu cara yang dapat dilakukan adalah membuat website khusus masakan tradisional berbahasa Inggris sebagai salah satu bahasa resmi dunia. Namun untuk mempermudah pencarian pencarian resep makanan tradisional dalam bahasa inggris tersebut perlu adanya suatu algoritma khusus agar pengunjung dapat dengan mudah menemukan makanan tradisional yang cocok tersebut.

1.2. Rumusan Masalah

Berdasarkan uraian latar belakang diatas, maka rumusan masalah dalam penelitian ini sebagai berikut:

1. Bagaimana mengumpulkan data makanan tradisional yang ada?

(6)

1.3. Ruang Lingkup

Dalam Penulisan proposal ini penulis membahas tentang pencarian resep makanan tradisional dalam bahasa inggris menggunakan algoritma KNN

1.4. Tujuan Penelitian

Sejalan dengan perumusan masalah di atas , maka tujuan penelitian ini adalah untuk mengetahui apakah Algoritma KNN mampu menghasilkan pencarian resep makanan makanan tradisional dalam bahasa inggris.

(7)

BAB II

TINJAUAN PUSTAKA

2.1 Makanan Tradisional

Menurut Prof. Murdijati Gardjito, Guru Besar Teknologi Pangan dari UGM, makanan tradisional adalah “makanan yang diolah dari bahan pangan hasil produksi setempat, dengan proses yang telah dikuasai masyarakat dan hasilnya adalah produk yang citarasa, bentuk dan cara makannya dikenal, digemari, dirindukan, bahkan menjadi penciri kelompok masyarakat tertentu. Pada sebagian masyarakat, makanan tradisional juga merupakan kebanggaan akan daerah kelahiran, tempat tumpah darahnya.”

Dari definisi diatas, dapat dilihat suatu pola bahwa makanan tradisional terikat dengan dimensi ruang dan waktu. Ada pembatas berupa ruang yaitu lokalitas bahan baku, pengolah (produsen) dan juga “pemilik” dari makanan tersebut. Tidak dapat dikatakan suatu makanan sebagai makanan tradisional jika bahan baku untuk menciptakannya asing bagi pengolah maupun penikmatnya. Asing dalam artian tidak dapat dihasilkan sendiri dari tanah air setempat dengan metode budidaya yang telah biasa dilakukan. Maka sebagai contoh, secara sederhana bisa kita simpulkan bahwa segala makanan berbahan baku terigu tidaklah bisa dikelompokkan sebagai makanan tradisional Indonesia, meskipun ia telah sangat lazim ditemukan di tengah masyarakat.

2.2 Cross-Industry Standard Process for Data Mining

Menurut Larose dalam Kusrini, dkk. (2009:8) Data minning adalah sebuah proses, yang mana dalam melakukan prosesnya harus seusai dengan prosedur dari proses tersebut, yaitu CRISP-DM(Cross-Industry Standard Process for Data Mining), yang terdiri dari keseluruhan proses, preprosesing data, pembentukan model, model evaluasi, dan tahap akhir penyebaran model.

(8)

Gambar 2.1 Proses CRISP-DM Sumber : Kusrini (2009)

Adapun proses yang terjadi pada setiap fase dalam CRIS-DM yang tertuang dalam gambar 2.1 adalah sebagai berikut :

1. Business/Research Understanding Phase (Fase Pemahaman Bisnis)

a. Penentuan tujuan proyek dan kebutuhan secara detail dalam lingkup bisnis atau untit penelitian secara keseluruhan.

b. Menerjemahkan tujuan dan batasan menjadi formula dari permasalahan data mining.

c. Menyiapkan strategi awal untuk mencapai tujuan. 2. Data Understanding Phase (Fase Pemahaman Data) a. Mengumpulkan data.

b. Menggunakan analisis penyelidikan data untuk mengenali lebih lanjut data dan pencarian pengetahuan awal.

c. Mengecaluasi kualitas data.

d. Jika diinginkan, pilih sebagian kecil group data yang mungkin mengandung pola dari permasalahan.

3. Data Preparation Phase (Fase Pengolahan Data)

a. Siapkan dari data awal, kumpulan data yang akan digunakan untuk keseluruhan fase berikutnya.

b. Pilih kasus dan variable yang ingin dianalisis dan yang sesuai analisis yang akan digunakan.

c. Lakukan perubahan pada beberapa variable jika dibutuhkan. d. Siapkan data awal sehingga siap untuk perangkat pemodelan. 4. Modeling Phase (Fase Pemodelan)

(9)

a. Pilih dan aplikasikan teknik pemodelan yang sesuai. b. Kalibarasi atur model untuk mengoptimalkan hasil.

c. Perlu diperhatikan bahwa beberapa teknik mungkin untuk digunakan pada permasalahan data mining yang sama.

d. Jika diperlukan, proses dapat kembali ke fase pengolahan data untuk menjadikan data kedalam bentuk yang sesuai dengan spesifikasi kebutuhan data mining tertentu.

5. Evaluation Phase (Fase Evaluasi)

a. Mengevaluasi satu atau lebih model yang digunakan dalam fase pemodelan untuk mendapatkan kualitas dan efektivitas sebelum disebarkan untuk digunakan.

b. Menetapkan apakah terdapat model yang memenuhi tujuan pada fase awal. c. Menentukan apakah terdapat permasalahan penting dari bisnis atau penelitian yang tidak tertangani dengan baik.

d. Mengambil keputusan berkaitan dengan penggunaan hasil dari data mining. 6. Deployment Phase (Fase Penyebaran)

a. Menggunakan model yang dihasilkan. Terbentuknya model tidak menandakan telah terselesaikannya proyek.

b. Contoh sederhana penyebaran : pembuatan laporan

Contoh kompleks penyebaran : Penerapan proses data mining secara parallel pada departemen lain..

2.3 K-Nearest Neighbord

Menurut Santoso (2007) Algoritma K-Nearest Neighbord merupakan metode klasifikasi yang mengelompokan data baru berdasarkan jarak data baru itu kebebrapa data/tetangga (neighbord) terdekat.

Gambar 2.2 Penentuan Ketetanggaan berdasarkan k-5 Sumber : Kusrini (2009)

(10)

Teknik K-Nearest Neighbord dengan melakukan langkah-langkah yaitu mulai input : Data training, label data training, k, data testing.

a. Untuk semua data testing, hitung jaraknya ke setiap data training. b. Tentukan k data training yang jaraknya paling dekat dengan data. c. Testing

d. Periksa label data dari k data ini.

e. Tentukan label yang frekuensinya paling banyak.

f. Masukan data testing ke kelas dengan frequensi paling banyak g. Berhenti.

h. Label untuk semua data testing didapat.

Untuk menghitung jarak antara dua titik x dan y bisa digunakan jarak Euclidean sebagai berikut :

Yang mana X1,1=1,2, adalah atribut katagori, dan nij, n1 mewakili frekuensi yang sesuaig.

2.4 Evaluasi dan Validasi

Evaluasi yang dilakukan model confusion matrix, dan ROC curve (Receiver Operating Characteristic).

Confusion Matrix adalah alat (tools) visualisasi yang biasa digunakan pada supervised learning. Tiap kolom pada matriks adalah contoh kelas prediksi, sedangkan tiap baris mewakili kejadian di kelas yang sebenarnya (Gorunescu, 2010).

Confusion matrix berisi informasi aktual (actual) dan prediksi (predicted) pada sisitem klasifikasi. Tabel 2.1 adalah contoh tabel confusion matrix yang menunjukan klasifikasi dua kelas.

Tabel 2.1 Model Confesion Matrix

Classification Predited Class

(11)

Observed Class Class = Yes A (true positive-tp) B (false negative-fn) Class = No C (false positive-fp) D (true negative-tn) (Gorunescu,2011) Keterangan:

- True Positive (tp) = proporsi positive dalam data set yang diklasifikasikan positive

- True Negative (tn) = proporsi negative dalam data set yang diklasifikasikan negative

- False Positive (fp) = proporsi negative dalam data set yang diklasifikasikan potitive

- FalseNegative (fn) = proporsi negative dalam data set yang diklasifikasikan negative.

(12)

BAB III

METODE PENELITIAN

3.1 Lokasi Penelitian

Adapun lokasi penelitian dilakukan secara online.

3.2 Teknik Pengumpulan data dan Analisis Data

Dalam Teknik pengumpulan data-data dan analisis data guna menyelesaikan penelitian ini, penulis menggunakan metode penelitian sebagai berikut :

a. Observasi

Dalam metode ini penulis mengumpulkan data dari berbagai website makanan tradisional Indonesia untuk mencari nama bahan-bahan yang ada. b. Wawancara

Penulis mengadakan wawancara di dalam pengumpulan data yang diperlukan dalam penyusunan penelitian.

c. Kepustakaan

Metode pengumpulan data dengan cara mempelajari beberapa buku, sarana perpustakaan dan catatan-catatan kuliah yang berhubungan dengan tema yang diajukan.

(13)

BAB IV

JADWAL PENELITIAN

4.1 Jadwal Penelitian Mandiri

No Kegiatan

Waktu

Bulan I Bulan II Bulan III Bulan IV

1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 Persiapan Data Awal

dan analisa 2 Penelusuran Pustaka 3 Pengambilan data di lapangan 4 Pengembangan data 5 Analisis Data No Kegiatan Waktu

Bulan V Bulan VI Bulan VII Bulan VIII

1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 6 Pembuatan Buku Petunjuk 7 Pelatihan 8 Test Data 9 Pengujian Data 10 Laporan Keluaran

(14)

DAFTAR PUSTAKA

[1] Gardjito, Murdijati.Makanan Tradisional.

http://makanantradisionalsehat.wg.ugm.ac.id/2015/11/23/makanan-tradisional- indonesia-2/. Diakses 27 Februari 2021.

[2] Kowalski, Gerald J. 2012. Information Retrieval Systems Theory and Implementation,. College of Computer Science and Technology Inner Mongolia Unversity for Nationalities.

[3] Purwanti, Endah. Klasifikasi Dokumen Temu Kembali Informasi dengan K-Nearst Neghbour. 2015. E-ISSN 2442-5168 Volume 1, Nomor 2, Juli-Desember 2015. Surabaya

[4] Rakhmat, Ramadhan Sani, Junta Zeniarja, Ardytha Luthfiarta. Penerapan Algoritma K- Nearest Neighbor pada Information Retrieval dalam Penentuan Topik Referensi Tugas Akhir. 2016. Journal of Applied Intelligent System, Vol. 1 No. 2, Juni 2016: 123 – 133. Semarang

[5] Santoso, B. 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis (1 ed.). Yogyakarta : Graha Ilmu

[6] Aprilia, Dennis, Donny Aji Baskoro, Lia Ambarwati dan I Wayan Simri Wicaksana. 2013. Belajar Data Mining dengan Rapid Miner. Jakarta : Gramedia Pustaka Utama [7] Kusrini dan Emha Taufiq Luthfi . 2009. Algoritma Data Mining. Yogyakarta: Andi

Offset

[8] Gorunescu, Florin. 2011. Data mining :concepts, models, and techniques Verlag Berlin Heidelberg : Springer

(15)

Lampiran-Lampiran

Lampiran 1. Justifikasi Anggaran Penelitian

NO KEBUTUHAN JUMLAH BIAYA SUB TOTAL

1 Peralatan Penunjang

a.Buku Rp. 500.000

b.Modem Rp. 500.000

c.Harddisk eksternal Rp. 870.000

Sub Total Rp. 1.870.000

2 Bahan Habis Pakai

a.Pulsa telepon Rp. 200.000 b.Voucher internet Rp. 200.000 c. Alat tulis Rp. 150.000 d. Kertas A4 Rp. 150.000 e.Tinta Printer Rp. 450.000 f.Biaya Fotocopy Rp. 50.000 Sub Total Rp.1.200.000 3 Perjalanan a.Transportasi perjalanan Rp.1.000.000 Sub Total Rp.1.000.000 4 Biaya Lain-lain a. Souvenir untuk Responden Rp. 500.000 Sub Total Rp. 500.000 Total Rp. 4.570.000

(16)

Lampiran 2 Biodata Ketua Pengusul 1. Identitas Diri

a. Nama Lengkap dan Gelar : Ayuni Asisyasari, M.KOM

b. NIDN : 0326068903

c. Jabatan Fungsional : -

d. Program Studi : Teknik Informatika

e Perguruan Tinggi : Universitas Bina Sarana Informatika f. Jangka Waktu Penelitian : 8 Bulan

2. Riwayat Pendidikan

S-1 S-2

Nama Penguruan Tinggi STMIK Nusa Mandiri STMIK Nusa Mandiri

Tahun Lulus 2016 2018

Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata dijumpai ketidak sesuaian dengan kenyataan, saya sanggup menerima sanksi.

Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu persyaratan dalam pengajuan Penelitian Mandiri.

Jakarta, 2 Agustus 2021 Pengusul

(Ayuni Asisyasari, M.KOM) NIP. 201909271

(17)

3. Identitas Diri

a. Nama Lengkap dan Gelar : Yosep Nuryaman, M.KOM

b. NIDN : 0329098901

c. Jabatan Fungsional : -

e. Perguruan Tinggi : Universitas Bina Sarana Informatika f. Jangka Waktu Penelitian : 8 Bulan

S-1 S-2

.

Jakarta, 2 Agustus 2021 Pengusul

(Yosep Nuryaman, M.KOM)

(18)

Lampiran 3 Biodata Anggota Pengusul 5. Identitas Diri

a. Nama Lengkap dan Gelar : Bibit Sudarsono, M.KOM

b. NIDN : 0324048201

c. Jabatan Fungsional : Lektor

S-1 S-2

Jakarta, 2 Januari 2021 Pengusul

(Bibit Sudarsono, M.KOM) NIP. 201910326

(19)

Lampiran 4 Biodata Anggota Pengusul 5. Identitas Diri

a. Nama Lengkap dan Gelar : Umi Faddilah, M.KOM

b. NIDN : 0322128101

c. Jabatan Fungsional : Asisten Ahli

S-1 S-2

Jakarta, 2 Januari 2021 Pengusul

(Umi Faddilah, M.KOM) NIP. 200709410