View of Perangkat Lunak Bantu Seleksi Proposal Penelitian dengan Menggunakan Algoritma Fuzzy C-Means

(1)

15

Perangkat Lunak Bantu Seleksi Proposal

Penelitian dengan Menggunakan Algoritma

Fuzzy C-Means

Nasta Aulia

1

_{, Jumadi}

2

_{, Undang Syaripudin}

3

1,2,3

_{Jurusan Teknik Informatika, Fakultas Sains dan Teknologi UIN Sunan Gunung Djati Bandung}

Jl. A.H Nasution 105 Bandung 40614

1

_{aulianasta11@gmail.com,}

2

_{jumadi@uinsgd.ac.id,}

3

_{undang_if@uinsgd.ac.id}

Abstract- Process of selecting proposal research in LP2M UIN Sunan Gunung Djati Bandung is still done manually. To support resolve the issue then the required method in the accuracy and speed of decision making feasibility proposal research. With Fuzzy C-Means Algorithm, then the results of the selection of proposals will be grouped into research on these three categories are viable, considered and rejected. Based on the testing system and manual testing using 50 samples of data that Fuzzy C-Means algorithm has an accuracy rate 90% of the work on the selection of proposal research system.

Keywords-Fuzzy C-Means, Decission Support System, Proposal Research

Abstrak- Proses seleksi proposal penelitian di LP2M UIN Sunan Gunung Djati Bandung masih dilakukan secara manual. Untuk mengatasi hal tersebut maka diperlukanlah metode penyelesaian dalam ketepatan dan kecepatan pengambilan keputusan kelayakan proposal penelitian. Dengan algoritma Fuzzy C-Means maka hasil seleksi proposal penelitian akan dikelompokan beradasarkan tiga kategori yaitu layak, dipertimbangkan dan ditolak. Berdasarkan pengujian sistem dan pengujian manual dengan menggunakan 50 sampel data menghasilkan bahwa algoritma Fuzzy C-Means memiliki tingkat akurasi sebesar 90% yang bekerja pada sistem seleksi proposal penelitian.

Kata kunci- Fuzzy C-Means, Sistem Pendukung Keputusan, Proposal Penelitian

I. PENDAHULUAN I.I Latar Belakang Masalah

Teknologi Informasi adalah seperangkat alat yang membantu anda bekerja dengan informasi dan melakukan tugas-tugas yang berhubungan dengan pemrosesan informasi, sedangkan menurut martin teknologi informasi merupakan teknologi yang tidak hanya pada teknologi komputer (perangkat keras dan perangkat lunak) yang akan digunakan untuk memproses dan menyimpan informasi, melainkan mencakup teknologi komunikasi untuk mengirim atau menyebarluaskan informasi [1][2].

Sistem Pendukung Keputusan (SPK) biasanya dibangun untuk mendukung solusi atas suatu masalah atau untuk suatu masalah atau untuk suatu peluang. Aplikasi Sistem Pendukung Keputusan (SPK) digunakan dalam pengambilan keputusan [3][4]. Aplikasi Sistem Pendukung Keputusan (SPK) menggunakan CBIS (Computer Based Information Systems) yang fleksibel, interaktif, dan dapat diadaptasi, yang dikembangkan untuk mendukung solusi atas masalah manajemen spesifik yang tidak terstruktur [5][6][7].

Selama ini proses penyeleksian proposal penelitian di LP2M (Lembaga Penelitian dan Pengabdian Masyarakat) UIN Sunan Gunung Djati Bandung masih dilakukan secara manual dan penilai pun datang langsung ke kantor LP2M UIN Sunan Gunung Djati Bandung untuk melakukan penilaian terhadap proposal penelitian yang telah diajukan

oleh peneliti. Akibatnya, penilaian proposal penelitian tersebut membutuhkan waktu yang lama. Untuk membantu mengatasi masalah tersebut maka diperlukanlah metode penyelesaian dalam ketepatan dan kecepatan pengambilan keputusan kelayakan proposal penelitian. Dalam menentukan kelayakan sebuah proposal penelitian tentunya memiliki beberapa penilaian yang telah ditentukan oleh pihak LP2M UIN Sunan Gunung Djati Bandung [3].

Algoritma yang digunakan ialah Fuzzy C-Means.

Fuzzy C-Means adalah suatu teknik pengklaster-an yang mana keberadaan tiap-tiap titik data dalam suatu klaster ditentukan oleh derajat keanggotaan [8][9][10][11]. Keunggulan dari algoritma ini adalah mampu melakukan pengelompokkan untuk data yang tersebar secara tidak teratur. Sebelum dilakukan perangkingan perlu dilakukan peng-klaster-an karena usulan akan di klaster menjadi layak, kurang layak, dan tidak layak sehingga jika usulan tidak layak maka tidak perlu dirangking lagi. Algoritma ini diharapkan dapat memudahkan dalam pemberian penilaian yang lebih tepat, efektif dan mudah dalam proses seleksi proposal penelitian.

Berdasarkan permasalahan tersebut, maka peneliti tertarik untuk melakukan penelitian terhadap sistem penyeleksian proposal penelitian dengan judul

(2)

Implementasi Algoritma Fuzzy C-Means Pada Sistem Seleksi Proposal Penelitian (Studi kasus : LP2M UIN Sunan Gunung Djati Bandung)

(Nasta Aulia, Jumadi, Undang Syaripudin)

16

Seleksi Proposal Penelitian (Studi Kasus : LP2M UIN

Sunan Gunung Djati Bandung) ”.

I.II Rumusan Masalah

Berdasarkan dari latar belakang diatas maka dapat dirumuskan apakah sistem seleksi proposal dengan menggunakan algoritma Fuzzy C-Means dapat membantu mengetahui kelayakan proposal penelitian ?

I.III Tujuan Penelitian

Membuat sistem seleksi proposal penelitian dengan mengunakan Algoritma Fuzzy C-Means agar membantu mengetahui kelayakan proposal penelitian yang dapat diterima

I.IV Kajian Literatur

Fuzzy C-Means (FCM) merupakan salah satu algoritma

Fuzzy Clustering. Fuzzy C-Means (FCM) merupakan suatu teknik pengklasteran data yang keberadaan setiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981.

Konsep dasar FCM yaitu menentukan pusat cluster, yang akan menandai lokasi rata-rata untuk setiap cluster. Dengan cara memperbaiki pusat cluster dan derajat keanggotaan setiap titik data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada minimasi fungsi obtektif yang menggambarkan jarak dari titik data yang diberikan ke pusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut [11].

Output dari FCM bukan merupakan fuzzy inference system, namun merupakan deretan pusat cluster dan beberapa derajat keanggoatan untuk tiap-tiap titik data. Informasi ini dapat digunakan untuk membangun suatu fuzzy inference system. Algoritma Fuzzy C-Means

clustering merupakan sebagai berikut : 1. Menentukan :

Matriks X yang merupakan data yang akan di cluster, berukuran k x j, dengan k = jumlah data yang akan di-cluster dan j = jumlah variabel/ atribut (kriteria)

𝑋11 𝑋12 ⋯ 𝑋1𝑗

𝑋21 𝑋22 𝑋2𝑗

⋮ ⋮ ⋱ ⋮

𝑋𝑘1 𝑋𝑘2 … 𝑋𝑘𝑗

(1)

2. Menentukan :

• Jumlah cluster yang akan dibentuk (n



c ≥ 2).

• Pembobot (w > 1).

• Maksimum iterasi (max n).

• Kriteria penghentian/treshold (



= nilai positif yang sangat kecil).

• Menentukan fungsi objektif awal (P0).

3. Membentuk matriks partisi awal U (derajat keanggotaan dalam cluster) dengan ukuran k x i;

matriks partisi biasanya dibuat acak, dengan k = jumlah data yang akan di-cluster dan i = jumlah cluster.

𝑈11 𝑈12 ⋯ 𝑈1𝑗

𝑈21 𝑈22 𝑈2𝑗

⋮ ⋮ ⋱ ⋮

𝑈𝑘1 𝑈𝑘2 … 𝑈𝑘𝑗

(2)

4. Hitung Pusat cluster (V) untuk setiap cluster, Menggunakan rumus :

𝑉𝑖𝑗=∑ (𝜇𝑖𝑘)

𝑤 𝑛

𝑘=1 .𝑥𝑘𝑗

∑𝑛𝑘=1(𝜇𝑖𝑘)𝑤 (3)

Keterangan :

• Vij merupakan Pusat cluster pada cluster ke-i dan atribut ke-j.

• µik merupakan data partisi (pada matriks U) pada cluster ke-i dan data ke-k.

• Xkj merupakan data (pada matriks U) pada atribut ke-j dan data ke-k.

• w merupakan pembobot.

5. Hitung nilai obyektif (Pn) dengan rumus :

𝑃𝑛= ∑𝑛𝑘=1 ∑ (𝜇𝑐_𝑖=1 𝑖𝑘)𝑤(𝑑𝑖𝑘)2 (4)

Keterangan :

• μik merupakan data partisi (pada matriks U)

pada cluster ke-i dan data ke-k.

• dik merupakan fungsi ukuran jarak untuk jarak Euclidean pada pusat cluster ke-i dan data ke-k.

• Pn merupakan nilai obyektif pada iterasi ke-n. 6. Perbaiki derajat keanggotaan setiap data pada setiap

cluster (perbaiki matriks partisi)

𝜇𝑖𝑘= [∑ (_𝑑𝑑𝑖𝑘_𝑗𝑘) 2/(𝑤−1) 𝑛

𝑘=1

]

−1

(5)

Dengan :

𝜇𝑖𝑘= 𝑑(𝑥𝑘− 𝑣𝑖) = [∑ ((𝑥𝑘𝑗− 𝑣𝑖𝑗)) 𝑛

𝑘=1

]

1/2

(6) Keterangan :

• µik merupakan data partisi (pada matriks U) pada pusat cluster ke-i dan data ke-k.

• dik merupakan fungsi ukuran jarak untuk jarak Euclidean pada pusat cluster ke-i dan data ke-k.

• djk merupakan fungsi ukuran jarak untuk jarak Euclidean pada pusat cluster ke-j dan data ke-k.

(3)

17

7. Menghentikan iterasi jika pusat cluster V tidak berubah. Alternatif kriteria penghentian merupakan jika perubahan nilai error kurang dari treshold |Pn – Pn- 1| < . Alternatif merupakan ketika perulangan melebihi maksimum iterasi (n > max n). Jika iterasi belum berhenti, kembali ke langkah 4.

8. Jika iterasi berhenti, ditentukan cluster dari tiap-tiap data. Cluster dipilih berdasarkan nilai matriks partisi terbesar [12].

II. METODE PENELITIAN

Metode penelitian yang digunakan untuk pengumpulan data yaitu dengan melakukan wawancara, observasi dan studi literatur. Untuk metode pengembangan perangkat lunak menggunakan metode pengembangan prototype.

Adapun metode pengembangan perangkat lunak yang akan dibuat yaitu menggunakan metodologi Prototype. Gambar 1 merupakan alur dari metode prototype [13][14].

Gambar 1 Prototype Model

Metode prototipe dimulai dari tahap komunikasi. Tim pengembang perangkat lunak melakukan pertemuan dengan para stakeholder untuk menentukan kebutuhan perangkat lunak yang saat itu diketahui dan untuk menggambarkan area-area dimana definisi lebih jauh untuk iterasi selanjutnya.

Perencanaan iterasi pembuatan prototipe dilakukan secara cepat. Setelah itu dilakukan pemodelan dalam

bentuk “rancangan cepat”. Pembuatan rancangan cepat

berdasarkan pada representasi aspek-aspek perangkat lunak yang akan terlihat oleh para end user (misalnya rancangan antarmuka pengguna atau format tampilan). Rancangan cepat merupakan dasar untuk memulai konstruksi pembuatan prototipe.

Prototype kemudian diserahkan kepada para stakeholder untuk mengevaluasi prorotype yang telah dibuat sebelumnya dan memberika umpan balik yang akan digunakan untuk mempeluas spesifikasi kebutuhan. Iterasi akan terjadi pada saat prototipe diperbaiki untuk memenuhi kebutuhan dari para stakeholder.

Dari skema model prototype pada gambar 1.1 diatas menggambarkan bahwa model ini memiliki tahapan analisis yang cukup teliti. Setiap sistem kebutuhan yang telah direncanakan pada tahap perencanaan kemudian masuk kedalam analisis, pada tahap ini setiap kebutuhan sistem di analis untuk kebutuhan pengembangan fitur-fitur dalam sistem yang diimplentasikan kedalam design

prototype. Proses ini memberikan kemudahan terhadap pengembang dalam menyampaikan informasi terhadap client sebelum melakukan tahap development yang akan diimplementasikan kedalam real system [15].

III.HASIL DAN PEMBAHASAN

Data 50 (lima puluh) proposal penelitian akan dihitung dengan menggunakan algoritma Fuzzy C-Means yang terdapat beberapa tahap perhitungan sebagai berikut : 1. Tahap Pertama yaitu mengumpulkan data yang

dibutuhkan meliputi Sampel data penelitian. Tabel 1 Sampel Data Penelitian

Data

(i) 𝑿𝒊𝒋

1 2 3 4 5 6 7 8 9 10 11

1 50 50 50 40 40 50 40 40 20 40 20

2 50 50 50 40 40 40 50 50 25 30 20

3 30 30 40 50 50 30 30 20 15 30 15

4 50 40 40 40 50 30 40 40 20 50 20

5 20 20 20 20 20 20 20 30 15 30 15

6 30 30 30 40 40 40 40 40 15 40 15

7 40 30 30 30 30 40 40 40 20 30 20

8 50 50 50 50 50 50 50 20 20 50 20

9 20 20 20 10 10 20 20 20 15 30 15

10 20 20 20 20 20 30 30 20 10 20 10

2. Selanjutnya, tahap kedua menentukan :

• n (banyak data) = 10

• m (atribut data) = 11

• c (jumlah cluster) = 3

• w (bobot/fuzzy) = 2

• e (error terkecil) = 0,1

• P0 = 0

• t (iterasi) = 1

• Maksimal Iterasi = 1

3. Tahap ketiga selanjutnya membuat bilangan random untuk U. Matriks ini menunjukan derajat keanggotaan data ke-i pada cluster ke-k.

𝜇 =

(

0,1 0,2 0,7 0,2 0,2 0,6 0,3 0,4 0,3 0,4 0,5 0,1 0,5 0,3 0,2 0,1 0,2 0,7 0,2 0,2 0,6 0,3 0,4 0,3 0,4 0,5 0,1 0,5 0,3 0,2)

(4)

18

Menghitung pusat cluster dengan menggunakan persamaan (3) yaitu :

Tabel 2 Pusat Cluster

5. Hitung Fungsi Objektif

Fungsi Objektif pada iterasi pertama (P1) dihitung dengan menggunakan persamaan (4) dan (5), yaitu mencari nilai dari LT sehingga didapatkan derajat keanggotan baru seperti pada tabel 3.

Tabel 3 Derajat Keanggotan

6. Setelah diperoleh derajat keanggotaan baru maka dapat disimpulkan pembagian data pada cluster, dapat dilihat pada Tabel 4

Tabel 4 Hasil Pengelompokan Data pada Cluster

Data (i) Cluster

Pada Tabel 5 merupakan hasil uji coba sistem dengan cara membandingkan perhitungan yang diterapkan LP2M UIN Sunan Gunung Djati Bandung dengan perhitungan

menggunakan algoritma Fuzzy C-Means yang diterapkan pada system.

Tabel 5 Hasil Pengujian

Vkj 1 2 3 4 5 6 7 8 9 10 11

3909 0,612197 0,28313 0,104673

4807,685 0,567725 0,310716 0,121559

3498,401 0,318168 0,345438 0,336395

3472,912 0,533057 0,302299 0,164644

5722,699 0,103318 0,388326 0,508356

1919,568 0,362954 0,454411 0,182635

1758,276 0,302149 0,499037 0,198814

6664,886 0,522738 0,279622 0,19764

8344,601 0,141451 0,364662 0,493887

5843,761 0,112379 0,395328 0,492293

No Judul Penelitian Cluster Hasil PL PS 1 Perangkat Lunak Pemodean

3D Dengan Menggunakan Metode Nurbs

I I S

2 Sistem Informasi E-Commerce PT. Mqs Darrut Tauhid

I I S

3 Aplikasi Pemesanan Rental Mobil Berbasis WEB

II II S

4 Perangkat Lunak

Pemenuhan Kebutuhan Gizi Pada Orang Sakit

I I S

5 Analisa & Perancangan Sistem Monitoring Invetaris Barang PT. LEN

III III S

6 Sistem Informasi Kost di Bandung Berbasis WEB

II II S

7 Aplikasi Penilaian Prestasi Kerja Karyawan di Kandatel Garut

II II S

8 Perangkat Lunak Sistem Informasi Jasa Travel Pariwisata

I I S

9 Perancangan Aplikasi Bimbingan Tugas Akhir Secara Online

III III S

10 Perangkat Lunak Sistem Adninistrasi Test Toefl Lab. Bahasa

III III S

11

Perangkat Lunak Pemodean 3D Dengan Menggunakan Metode Nurbs

I I S

12

Sistem Informasi E-Commerce PT. Mqs Darrut Tauhid

I I S

13 Aplikasi Pemesanan Rental

Mobil Berbasis WEB II II S

14

Perangkat Lunak

(5)

19

Keterangan :

• PL = Hasil Perhitungan LP2M

• PS = Hasil Perhitungan pada Sistem

• S = Sesuai

• TS = Tidak Sesuai

Dapat dilihat pada Tabel 4.10 di kolom hasil didapat dari perhitungan dengan persamaan (7).

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = _{(𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑜𝑘𝑢𝑚𝑒𝑛 𝑏𝑒𝑛𝑎𝑟 + 𝑑𝑜𝑘𝑢𝑚𝑒𝑛 𝑠𝑎𝑙𝑎ℎ) x 100 %}𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑐𝑜𝑐𝑜𝑘𝑎𝑛 𝑑𝑜𝑘𝑢𝑚𝑒𝑛 𝑏𝑒𝑛𝑎𝑟

= _{(45 + 5) x 100 %}45 = 90 % No Judul Penelitian Cluster

Hasil PL PS

15

Analisa & Perancangan Sistem Monitoring Invetaris Barang PT. LEN

III III S

16 Sistem Informasi Kost di

Bandung Berbasis WEB II II S

17

Aplikasi Penilaian Prestasi Kerja Karyawan di Kandatel Garut

II II S

18

Perangkat Lunak Sistem Informasi Jasa Travel Pariwisata

I I S

19

Perancangan Aplikasi Bimbingan Tugas Akhir Secara Online

III III S

20

Perangkat Lunak Sistem Adninistrasi Test Toefl Lab. Bahasa

III III S

21

I I S

22

I I S

24

Perangkat Lunak

I I S

25

III III S

Bandung Berbasis WEB II I TS

27

II II S

28

I I S

29

III III S

30

III III S

31

I I S

32

I I S

34

Perangkat Lunak

I I S

No Judul Penelitian Cluster Hasil PL PS

15

III III S

Bandung Berbasis WEB II II S

17

II II S

18

I I S

19

III III S

20

III III S

21

I I S

22

I I S

24

Perangkat Lunak

I I S

25

III III S

27

II II S

28

I I S

29

III III S

30

III III S

31

I I S

32

I I S

34

Perangkat Lunak

I I S

No Judul Penelitian Cluster Hasil PL PS

35

III III S

36 Sistem Informasi Kost di _{Bandung Berbasis WEB} II I TS

37

II I TS

38

I I S

39

III III S

40

III III S

41

I I S

42

I I S

44

Perangkat Lunak

I I S

45

III III S

47

II I TS

48

I I S

49

III III S

50

(6)

20

Rumus tersebut diimplementasikan perhitungan manual dan hasil pada sistem yang telah dilakukan dengan keyword yang sama dengan hasil clustering pada sistem. Hasil pengujian tersebut menghasilkan nilai akurasi berupa presentase kemudian dapat disimpulkan sebagai akurasi kinerja algoritma Fuzzy C-Means.

Akurasi merupakan rumus untuk menghitung akurasi yang dilakukan setelah melakukan pengujian dengan 50 sampel pengujian clustering dan menghasilkan 3 cluster didapatkanlah total akurasi sebesar 90%. Angka tersebut merupakan akurasi yang diberikan berdasarkan kinerja algoritma Fuzzy C-Means terhadap sistem.

IV. PENUTUP IV.I Kesimpulan

Kesimpulan yang dapat diperoleh berdasarkan hasil pengujian terhadap Sistem Seleksi Proposal Penelitian dengan menggunakan algoritma Fuzzy C-Means yaitu penerapan Algoritma Fuzzy C-Means untuk Sistem Seleksi Proposal Penelitian telah berhasil dibangun dan dapat digunakan untuk mengetahui kelayakan proposal penelitian. Algoritma Fuzzy C-Means yang digunakan dalam Sistem Seleksi Proposal Penelitian memiliki tingkat akurasi sebesar 90 % dan hasil analisis ini dapat menjadi kontribusi bagi LP2M UIN Sunan Gunung Djati Bandung untuk mempermudah dalam menentukan kelayakan proposal penelitian

IV.II Saran

Mengingat berbagai keterbatasan yang dialami penulis diantaranya keterbatasan pemikiran dan waktu, maka penulis menyarankan untuk penelitian dimasa yang akan datang sebagai berikut :

1. Perlunya pengembangan dalam hal jumlah data yang diharapkan dapat ditambah dengan lebih banyak lagi.

2. Perlunya pengembangan sistem dalam hal tingkat akurasi algoritma yang diharapkan dapat menghasilkan tingkat akurasi yang lebih baik lagi. 3. Perlunya penambahan 1 algoritma untuk sentuhan

akhir supaya lebih optimal V. REFERENSI

[1] T. C. T. Abdul Kadir, Pengenalan Teknologi Informasi. Andi, 2005.

[2] A. Pamoragung, K. Suryadi, and M. A. Ramdhani, “Enhancing the implementation of e-Government in indonesia through the high-quality of virtual

community and knowledge portal,” in Proceedings of

the European Conference on e-Government, ECEG,

2006, pp. 341–348.

[3] I. Septiana, M. Irfan, and A. R. Atmadja, “Sistem Pendukung Keputusan Penentu Dosen Penguji Dan Pembimbing Tugas Akhir Menggunakan Fuzzy Multiple Attribute Decision Makingdengan Simple Additive Weighting (Studi Kasus: Jurusan Teknik Informatika Uin Sgd Bandung),” J. Online Inform., vol. 1, no. 1, pp. 43–50, 2016.

[4] K. Suryadi and M. A. Ramdhani, Sistem Pendukung

Keputusan. Bandung: Remaja Rosdakarya.

[5] Nofriansyah and Dicky, Konsep Data Mining VS

Sistem Pendukung Keputusan. Deepublish, 2015.

[6] R. Fauzan, Y. Indrasary, and N. Muthia, “Sistem Pendukung Keputusan Penerimaan Beasiswa Bidik Misi di POLIBAN dengan Metode SAW Berbasis Web,” J. Online Inform., vol. 2, no. 2, p. 79, 2018.

[7] R. Fauzan, Y. Indrasary, and N. Muthia, “Sistem Pendukung Keputusan Penerimaan Beasiswa Bidik Misi di POLIBAN dengan Metode SAW Berbasis Web,” JOIN (Jurnal Online Inform., vol. 2, no. 2, pp. 79–83, 2017.

[8] V. Campos-Guzman, M. S. Garcia-Cascales, J. M. Sanchez-Lozano, and D. Pelta, “Selection of a fuzzy AHP-TOPSIS electrification system for an isolated rural area in southern México,” in 2017 IEEE International Conference on Fuzzy Systems

(FUZZ-IEEE), 2017, pp. 1–6.

[9] S. Kusumadewi and S. Hartatik, Neuro fuzzy: Integrasi

Sistem Fuzzy & Jaringan Syaraf. Yogyakarta: Graha

Ilmu, 2006.

[10] M. A. Adiguna and A. Muhajirin, “Penerapan Logika Fuzzy Pada Penilaian Mutu Dosen Terhadap Tri Dharma Perguruan Tinggi,” JOIN (Jurnal Online

Inform., vol. 2, no. 1, pp. 16–19, 2017.

[11] M. Irfan, Jumadi, W. B. Zulfikar, and Erik,

“Implementation of Fuzzy C-Means algorithm and TF-IDF on English journal summary,” 2017 Second Int.

Conf. Informatics Comput., pp. 1–5, 2017.

[12] M. Y. Soleh, “Implementasi Algoritma KMP dan Boyer-Moore dalam Aplikasi Search Engine Sederhana,” Makal. IF3051 Strateg. Algoritm.

[13] R. S. Pressman, Rekayasa Perangkat Lunak. Yogyakarta: ANDI Yogyakarta, 2012.

[14] M. A. Ramdhani, Metodologi Penelitian untuk Riset

Teknologi Informasi. Bandung: UIN Sunan Gunung

Djati Bandung, 2013.

[15] D. Alan, W. Barbara, and R. Roberta, System Analys