KLASIFIKASI DOKUMEN PUTUSAN PERCERAIAN
MENGGUNAKAN METODE K- NEAREST NEIGHBOR
Laporan Tugas Akhir
Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Informatika Universitas Muhammadiyah Malang
Fenny Linsisca Putri (201710370311006)
Bidang Minat Data Science
PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MALANG 2021
i
ii
iii
iv ABSTRAK
Dokumen putusan perceraian merupakan putusan hasil kasus perdata perceraian talak dan gugat yang ditetapkan oleh hakim pengadilan untuk mengakhiri suatu perkara yang diajukan melalui pertimbangan. Kasus perceraian di indonesia dari waktu ke waktu semakin mengalami peningkatan tiap tahunnya hingga 50 ribu kasus yang tercatat pada kementrian agama republik indonesia. Fenomena ini mengakibatkan terjadinya lonjakan dokumen elektronik pada bidang hukum tanpa diikuti dengan perkembangan teknologi penyimpanan digital yang baik. Pada penelitian ini, digunakan metode K-Nearest Neighbor (KNN) untuk melakukan klasifikasi dokumen hukum perceraian secara otomatis antara dokumen cerai talak dan gugat, dengan melalui tahapan teks preprocessing dan hitung bobot dokumen dengan TF-IDF, sehingga menghasilkan hasil klasifikasi dokumen yang baik. Dataset yang digunakan didapat dari website putusan Mahkamah Agung Republik Indonesia sejumlah 100 dokumen perceraian yang sudah melewati tahapan persiapan data. Data terdiri dari 2 jenis data yaitu 50 dokumen berisi duduk perkara cerai talak dan 50 dokumen duduk perkara cerai gugat. Hasil klasifikasi pada penelitian ini berhasil menghasilkan nilai tertinggi dengan akurasi sebesar 98%, precision sebesar 96%, dan recall sebesar 96% pada klasifikasi dokumen perceraian dengan menggunakan metode K-Nearest Neighbor (KNN).
v ABSTRACT
Divorce decision documents are decisions that result from divorce civil cases and lawsuits determined by court judges to end cases submitted through consideration. Divorce cases in Indonesia from time to time increase every year reaching 50 thousand cases recorded by the Ministry of Religion of the Republic of Indonesia. This phenomenon has resulted in an increase in electronic documents in the legal field without being followed by the development of good digital storage technology. In this study, the K-Nearest Neighbor (KNN) method was used to automatically classify divorce case legal documents between divorce case documents and lawsuits, by going through preprocessing text and calculating the weight of documents with TF-IDF, to produce a good document classification. The dataset used is taken from the website of the decision of the Supreme Court of the Republic of Indonesia, totaling 100 divorce case documents that have gone through data preparation. The data consists of 2 types, with a total of 50 documents containing divorce cases and 50 divorce documents. The classification results in this study resulted in the highest value with an accuracy of 98%, precision of 96%, and recall of 96% in the classification of divorce case documents using the K-Nearest Neighbor (KNN) method.
vi
LEMBAR PERSEMBAHAN
Puji syukur kepada Allah SWT atas rahmat dan karuniaNya serta Nabi Muhammad SAW sebagai junjungan ridha-Nya sehingga penulis bisa menyelesaikan Laporan Tugas Akhir dengan judul “Klasifikasi Dokumen Putusan Perceraian Menggunakan Metode K-Nearest Neighbor”. Dapat terselaikannya Laporan Tugas Akhir ini tidak terlepas dari bantuan beberapa pihak. Penulis menyampaikan ucapan terima kasih yang sebesar-besarnya kepada:
1. Allah SWT yang memberikan rahmat, hidayah, dan karuniaNya sehingga diberikannya kemudahan dalam menyelesaikan tugas akhir ini.
2. Orang tua saya, Bapak Suyitno (Alm.) dan Ibu Ifa Masfufah dengan segala dukungan motivasi, moril, dan materil selama pengerjaan tugas akhir. 3. Dosen pembimbing saya, Bapak Galih Wasis Wicaksono, S.Kom., M.Cs
dan juga Ibu Nur Hayati, S.ST., M.Kom yang telah meluangkan waktu, tenaga dan ilmunya serta kesabarannya dalam membimbing pengerjaan tugas akhir.
4. Dosen wali saya, Bapak Agus Eko Minarno, S.Kom., M.Kom yang telah membimbing saya dari awal perkuliahan hingga tugas akhir.
5. Bapak dan Ibu Dosen program studi fakultas Teknik Informatika Universitas Muhammadiyah Malang yang telah memberikan ilmu dan pengalamannya pada perkuliahan.
6. Kedua Adik saya, Belinda Sheren Dwiyanti dan Keysha Amelia Safitri yang telah memberikan dukungan serta motivasi selama pengerjaan tugas akhir. 7. Teman-teman terdekat saya diperkuliahan (Okta, Riska, Dewi, Arin, Safitri,
Evi, Dhika, Nafik, Gilang) yang membantu memberikan semangat dan dukungan dalam pengerjaan tugas akhir.
8. Hybe Labels BTS, TXT, dan ENHYPEN yang memberikan semangat, dukungan moril dan menemani perjalanan kuliah hingga pengerjaan tugas akhir ini.
9. Teman-teman dari Informatika A 2017, yang memberikan dukungan serta motivasi selama perkuliahan.
vii
Terima kasih atas segala dukungan dan motivasi dari berbagai pihak. Semoga tuhan selalu memberikan perlindungannya.
Malang, 15 Juni 2021
viii
KATA PENGANTAR
Dengan memanjatkan puji syukur kepada Allah SWT atas limpahan rahmat, hidayah dan karuniaNya sehingga penulis dapat menyelesaikan tugas akhir sebagai persyaratan meraih gelar Sarjana Strata 1 dengan judul:
“KLASIFIKASI DOKUMEN PUTUSAN PERCERAIAN MENGGUNAKAN METODE K- NEAREST NEIGHBOR”
Di dalam tulisan ini disajikan pokok-pokok bahasan yang meliputi bagian latar belakang, metode penelitian, serta hasil dan pembahasan yang telah di dapatkan pada proses pengerjaan penelitian ini. Serta diberikan kesimpulan berdasarkan hasil yang telah didapatkan dari proses penelitian ini.
Penulis sepenuhnya menyadari bahwa penulisan tugas akhir ini masih memiliki banyak kekurangan. Maka penulis mengharapkan kritik dan saran yang membangun untuk penyempurnaan penulisan tugas akhir ini. Sehingga, dapat bermanfaat bagi berbagai pihak dan bagi perkembangan ilmu pengetahuan terutama ilmu dibidang Informatika.
Malang, 15 Juni 2021
ix DAFTAR ISI
LEMBAR PERSETUJUAN ... i
LEMBAR PENGESAHAN ... ii
LEMBAR PERNYATAAN ... iii
ABSTRAK ... iv
ABSTRACT ... v
LEMBAR PERSEMBAHAN ... vi
KATA PENGANTAR ... viii
DAFTAR ISI ... ix
DAFTAR GAMBAR ... xiii
DAFTAR TABEL ... xiv
DAFTAR LAMPIRAN ... xv
LEMBAR PLAGIASI ... xvi
BAB I ... 1 PENDAHULUAN ... 1 1.1 Latar Belakang ... 1 1.2 Rumusan Masalah ... 3 1.3 Tujuan Penelitian ... 3 1.4 Batasan ... 3 BAB II ... 4 TINJAUAN PUSTAKA ... 4 2.1 Penelitian Terdahulu ... 4
2.2 Dokumen Putusan Perceraian ... 5
2.2.1 Cerai Gugat ... 6
x 2.3 Teks Mining ... 6 2.4 Preprocessing ... 7 2.4.1 Case Folding ... 7 2.4.2 Filtering ... 7 2.4.3 Tokenizing ... 7 2.5 TF-IDF ... 7 2.6 Cosine Similarity ... 8 2.7 Split Validation ... 9 2.8 K- Nearest Neighbor ... 9
2.9 Pengujian dan Evaluasi ... 10
2.9.1 Accuracy ... 11 2.9.2 Precision ... 11 2.9.3 Recall ... 11 2.9.4 Confusion Matrix ... 11 BAB III ... 13 METODE PENELITIAN ... 13 3.1 Pengumpulan Data ... 13 3.1.1 Jenis Data ... 13 3.1.2 Sumber Data ... 13
3.1.3 Metode Pengumpulan Data ... 13
3.2 Preprocessing ... 14
3.2.1 Penguraian Isi Dokumen ... 14
3.2.2 Pelabelan Teks ... 15
3.2.3 Case Folding ... 16
3.2.4 Filtering ... 17
3.2.5 Tokenizing ... 17
xi 3.3.1 TF-IDF ... 19 3.4 Cosine Similarity ... 20 3.5 Split Validation ... 21 3.6 K-Nearest Neighbor ... 21 3.6.1 Menentukan Nilai k ... 21 3.6.2 Training Model ... 22 3.6.3 Testing Model ... 22 3.6.4 Implementasi Matematis ... 22
3.7 Evaluasi dan Pengujian... 23
BAB IV ... 24
HASIL DAN PEMBAHASAN ... 24
4.1 Kebutuhan Sistem ... 24 4.2 Dataset ... 24 4.3 Preprocessing Dataset ... 25 4.3.1 Case Folding ... 25 4.3.2 Filtering ... 26 4.3.3 Tokenizing ... 27 4.4 Pembobotan Kata ... 28
4.5 Klasifikasi Model K-Nearest Neighbor ... 28
4.5.1 Cosine Similarity... 28
4.5.2 Split Validation ... 29
4.6.1 Training Data ... 30
4.6.2 Testing Data ... 30
4.7 Evaluasi dan Pengujian... 31
4.7.1 Skenario Hasil Pemodelan ... 31
4.7.2 Evaluasi ... 35
xii KESIMPULAN ... 37 5.1 Kesimpulan ... 37 5.2 Saran ... 38 DAFTAR PUSTAKA ... 39 LAMPIRAN ... 44
xiii
DAFTAR GAMBAR
Gambar 1. Ilustrasi Split Validation ... 9
Gambar 2. Ilustrasi alur kerja K-Nearest Neighbor ... 10
Gambar 3. Tahapan Penelitian... 13
Gambar 4. Tampilan dokumen putusan perceraian ... 14
Gambar 5. Diagram Hasil Accuracy ... 33
Gambar 6. Diagram Hasil Precision ... 34
Gambar 7. Diagram Hasil Recall ... 34
xiv
DAFTAR TABEL
Tabel 1. Penelitian terdahulu ... 4
Tabel 2. Confusion Matrix ... 12
Tabel 3. Data sebelum diberi label ... 15
Tabel 4. Data sesudah diberi label ... 15
Tabel 5. Tahap pengolahan Case folding ... 16
Tabel 6. Tahap pengolahan Filtering ... 17
Tabel 7. Tahap pengolahan Tokenizing ... 18
Tabel 8. Penghitungan bobot TF-IDF ... 19
Tabel 9. Tahap penghitungan Cosine Similarity ... 20
Tabel 10. Hasil Cosine Similarity ... 21
Tabel 11. Contoh Hitung KNN ... 22
Tabel 12. Source Code Labeling dan Penggabungan dataset ... 25
Tabel 13. Source Code Case Folding ... 25
Tabel 14. Source Code Filtering ... 26
Tabel 15. Source Code Tokenizing ... 27
Tabel 16. Source Code TF-IDF ... 28
Tabel 17. Source Code Cosine Similarity... 29
Tabel 18. Source Code Splitting ... 29
Tabel 19. Pembagian Rasio Dataset ... 30
Tabel 20. Source Code Training KNN ... 30
Tabel 21. Source Code Testing KNN ... 30
Tabel 22. Source Code Pengujian ... 31
Tabel 23. Hasil Perbandingan Nilai Hasil Uji Coba K-NN... 31
xv
DAFTAR LAMPIRAN
39
DAFTAR PUSTAKA
[1] I. P. A. Sari, “ANALISIS TERHADAP PUTUSAN MAHKAMAH AGUNG
DALAM PENYELESAIAN TINDAK PIDANA PENCEMARAN
LINGKUNGAN,” Universitas Sebelas Maret Surakarta, 2007.
[2] V. B. P. Bhaktitama, “PERKEMBANGAN PENGATURAN PUTUSAN
SERTA-MERTA (UITVOERBAAR BIJ VOORRAAD) DARI
PENDEKATAN KEADILAN DAN KEPASTIAN HUKUM,” Universitas Atma Jaya Yogyakarta, 2014.
[3] S. Romlah, “AK EX OFFICIO HAKIM TENTANG NAFKAH MUTAH
DALAM PERKARA CERAI TALAK DI PENGADILAN AGAMA SURABAYA,” UIN Sunan Ampel Surabaya, 2016.
[4] W. Mulia, “AKIBAT HUKUM AKTA CERAI PALSU TERHADAP
STATUS PERKAWINAN (STUDI DI WILAYAH PENGADILAN AGAMA BANDUNG PADA TAHUN 2015-2017),” UIN Sunan Gunung Djati Bandung, 2017.
[5] A. Khumas, J. E. Prawitasari, and S. Retnowati, “Model Penjelasan Intensi
Cerai Perempuan Muslim di Sulawesi Selatan,” J. Psikol., vol. 42, no. 3, p. 189, 2015, doi: 10.22146/jpsi.9908.
[6] K. Akromunnisa and R. Hidayat, “KLASIFIKASI DOKUMEN TUGAS
AKHIR (SKRIPSI) MENGGUNAKAN K-NEAREST NEIGHBOR,”
JISKA (Jurnal Inform. Sunan Kalijaga), vol. 4, no. 1, p. 69, 2019, doi:
10.14421/jiska.2019.41-07.
[7] Y. D. Pramudita, S. S. Putro, and N. Makhmud, “Klasifikasi Berita Olahraga
Menggunakan Metode Naïve Bayes dengan Enhanced Confix Stripping Stemmer,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 3, p. 269, 2018, doi: 10.25126/jtiik.201853810.
[8] S. Sulastri and E. Zuliardo, “KLASIFIKASI DOKUMEN DENGAN
METODE NAIVE BAYES TERHADAP PUTUSAN KASASI
40
52, 2020, doi: 10.35315/informatika.v12i1.8162.
[9] R. N. Devita, H. W. Herwanto, and A. P. Wibawa, “Perbandingan Kinerja
Metode Naive Bayes dan K-Nearest Neighbor untuk Klasifikasi Artikel Berbahasa indonesia,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 4, p. 427, 2018, doi: 10.25126/jtiik.201854773.
[10] A. Indriani, “Analisa Perbandingan Metode Naïve Bayes Classifier Dan K-Nearest Neighbor Terhadap Klasifikasi Data,” Sebatik, vol. 24, no. 1, pp. 1– 7, 2020, doi: 10.46984/sebatik.v24i1.909.
[11] S. Pudaruth, K. M. S. Soyjaudah, and R. P. Gunputh, “An innovative multi-segment strategy for the classification of legal judgments using the k-nearest neighbour classifier,” Complex Intell. Syst., vol. 4, no. 1, pp. 1–10, 2018, doi: 10.1007/s40747-017-0042-z.
[12] W. S. A. Handayani, “Analisis Terhadap Putusan Hakim Dalam Kasus Cerai Gugat Ditinggal Suami (Studi Kasus di Pengadilan Agama Wonogiri Jawa Tengah 2014),” 2016.
[13] R. SOLICHIN, “CERAI TALAK DAN CERAI GUGAT DI PEGADILAN AGAMA SALATIGA TAHUN 2015-2016 (Analisis Alasan dan Implikasi Perceraian),” INSTITUT AGAMA ISLAM NEGERI (IAIN) SALATIGA, 2017.
[14] O. Yani and T. Zakiyah, “LATAR BELAKANG DAN DAMPAK
PERCERAIAN (STUDI KASUS DI PENGADILAN AGAMA
WONOSOBO) SKRIPSI Untuk memperoleh gelar Sarjana Hukum pada Universitas Negeri Semarang,” 2005.
[15] P. Soepomo, “Penerapan Text Mining Pada Sistem Klasifikasi Email Spam Menggunakan Naive Bayes,” Penerapan Text Min. Pada Sist. Klasifikasi
Email Spam Menggunakan Naive Bayes, vol. 2, no. 3, pp. 73–83, 2014, doi:
10.12928/jstie.v2i3.2877.
[16] H. I. Ibrahim, “Prediksi Nilai Rating Aspek Film Berbasis Sentimen Analisis,” Universitas Muhammadiyah Malang, 2020.
41
[17] U. Islam et al., “Klasifikasi Dokumen Tugas Akhir Berbasis Text Mining menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor,”
Semin. Nas. Teknol. Inf. Komun. dan Ind., vol. 0, no. 0, pp. 2579–5406, 2019,
[Online]. Available:
http://ejournal.uin-suska.ac.id/index.php/SNTIKI/article/view/7995.
[18] S. Mujilahwati, “Pre-Processing Text Mining Pada Data Twitter,” Semin.
Nas. Teknol. Inf. dan Komun., vol. 2016, no. Sentika, pp. 2089–9815, 2016.
[19] F. A. Muttaqin and A. M. Bachtiar, “Implementasi Teks Mining Pada Aplikasi Pengawasan Penggunaan Internet Anak ‘Dodo Kids Browser,’” J.
Ilm. Komput. dan Inform., p. 10111371, 2015.
[20] A. T. Jaka, “Preprocessing Text untuk Meminimalisir Kata yang Tidak Berarti dalam Proses Text Mining,” Inform. UPGRIS, vol. 1, pp. 1–9, 2015. [21] N. L. Ratniasih, M. Sudarma, and N. Gunantara, “Penerapan Text Mining Dalam Spam Filtering Untuk Aplikasi Chat,” Maj. Ilm. Teknol. Elektro, vol. 16, no. 3, p. 13, 2017, doi: 10.24843/mite.2017.v16i03p03.
[22] H. Ma’rifah, A. P. Wibawa, and M. I. Akbar, “Klasifikasi Artikel Ilmiah Dengan Berbagai Skenario Preprocessing,” Sains, Apl. Komputasi dan
Teknol. Inf., vol. 2, no. 2, p. 70, 2020, doi: 10.30872/jsakti.v2i2.2681.
[23] D. Muhidin and A. Wibowo, “Perbandingan Kinerja Algoritma Support Vector Machine dan K-Nearest Neighbor Terhadap Analisis Sentimen Kebijakan New Normal,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., vol. 5, no. 2, p. 153, 2020, doi: 10.30998/string.v5i2.6715.
[24] S. Robbana, “ANALISIS SENTIMEN REVIEW PRODUK
SMARTPHONE PADA DOKUMEN TWITTER BERBAHASA
INDONESIA MENGGUNAKAN METODE K-NEAREST NEIGHBOR DAN PEMBOBOTAN JUMLAH LIKES,” Universitas Brawijaya, 2020. [25] A. Supriatman, “Pembobotan TF-IDF pada Judul Penelitian Dosen Sebagai
Dasar Klasifikasi Menggunakan Algoritma K-NN (Studi Kasus: Universitas Siliwangi),” J. Serambi Eng., vol. 6, no. 1, pp. 1573–1579, 2021, doi: 10.32672/jse.v6i1.2645.
42
[26] C. Dhaneswara, “Implementasi Metode Modified K-Nearest Neighbor Untuk Klasifikasi Berita Hoax,” Universitas Muhammadiyah Malang, 2020. [27] T. M. Akbar, A. P. Kurniati, and M. A. Bijaksana, “Analisis Perbandingan Metode Pembobotan Kata Tf.Idf Dan Tf.Rf Terhadap Performansi Kategorisasi Teks,” Makal. tidak Terpublikasi, 2012.
[28] A. dan K. A. Sadly Syamsuddin, “PERACANGAN SISTEM KLASIFIKASI SURAT ELEKTRONIK (E-MAIL) MENGGUNAKAN METODE COSINE SIMILARITY,” J. Syntax Admiration, vol. 1, no. 5, pp. 594–606,
2020, [Online]. Available:
https://media.neliti.com/media/publications/330835-peracangan-sistem-klasifikasi-surat-elek-577adbb5.pdf.
[29] F. Romadoni, Y. Umaidah, and B. N. Sari, “Text Mining Untuk Analisis Sentimen Pelanggan Terhadap Layanan Uang Elektronik Menggunakan Algoritma Support Vector Machine,” J. Sisfokom (Sistem Inf. dan
Komputer), vol. 9, no. 2, p. 247, 2020, doi: 10.32736/sisfokom.v9i2.903.
[30] Y. I. Kurniawan and T. I. Barokah, “Klasifikasi Penentuan Pengajuan Kartu Kredit Menggunakan K-Nearest Neighbor,” J. Ilm. Matrik, vol. 22, no. 1, pp. 73–82, 2020, doi: 10.33557/jurnalmatrik.v22i1.843.
[31] Dwi Untari, “Data Mining untuk Menganalisa Prediksi Mahasiswa Berpotensi Non-Aktif Menggunaka Metode Decision Tree C4.5,” Fak. Ilmu
Komput. Univ. Dian Nuswantoro, 2010.
[32] Kemendikbud, “KBBI - Kamus Besar Bahasa Indonesia,” kamus besar Bhs.
Indones., 2019.
[33] O. S. Y. Prakasa and K. M. Lhaksmana, “Klasifikasi Teks Dengan Menggunakan Algoritma K-nearest Neighbor Pada Kasus Kinerja Pemerintah Di Twitter,” eProceedings Eng., vol. 5, no. 3, pp. 8237–8248, 2018.
[34] M. Fansyuri, “Analisa algoritma klasifikasi k-nearest neighbor dalam menentukan nilai akurasi terhadap kepuasan pelanggan (study kasus pt. Trigatra komunikatama),” Humanika J. Ilmu Sos. Pendidikan, dan Hum.,
43 vol. 3, no. 1, pp. 29–33, 2020.
[35] D. A. Fauziah et al., “Klasifikasi Berita Politik Menggunakan Algoritma K-nearst Neighbor ( Classification of Political News Content using K-Nearest Neighbor ) Abstrak,” J. Sist. Inf. Univ. Jember, vol. 6, no. 2, p. 8, 2018. [36] M. F. Fibrianda and A. Bhawiyuga, “Analisis Perbandingan Akurasi Deteksi
Serangan Pada Jaringan Komputer Dengan Metode Naïve Bayes Dan Support Vector Machine (SVM),” J. Pengemb. Teknol. Inf. dan Ilmu
xvi
