PEMANFAATAN METADATA DALAM MENILAI KESAMAAN PROPOSAL PENELITIAN

(1)

commit to user

PEMANFAATAN METADATA DALAM MENILAI

KESAMAAN PROPOSAL PENELITIAN

HALAMAN JUDUL

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu JurusanInformatika

Disusun Oleh :

LAHARDI ALKAWERO

M0508107

JURUSAN INFORMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

ALAM

UNIVERSITAS SEBELAS MARET

SURAKARTA

(2)

commit to user

ii

SKRIPSI

PEMANFAATAN METADATA DALAM MENILAI

KESAMAAN PROPOSAL PENELITIAN

HALAMAN PERSETUJUAN

Disusun oleh :

LAHARDI ALKAWERO M0508107

(3)

commit to user

iii

SKRIPSI

PEMANFAATAN METADATA DALAM MENILAI KESAMAAN PROPOSAL PENELITIAN

HALAMAN PENGESAHAN Disusun oleh :

LAHARDI ALKAWERO M0508107

telah dipertahankan di hadapan Dewan Penguji pada tanggal : 23 Januari 2013

Susunan Dewan Penguji

(4)

commit to user

iv

PEMANFAATANMETADATA DALAM MENILAI KESAMAAN PROPOSAL PENELITIAN

LAHARDI ALKAWERO

Jurusan Informatika.Fakultas Matematika dan Ilmu Pengetahuan Alam.

Universitas Sebelas Maret.

ABSTRAK

Penelitian ini bertujuan untuk mengetahui pemanfaatan metadata dalam

melakukan perhitungan kesamaan proposal penelitian. Masalah yang diteliti

adalah bagaimana memanfaatkan metadata untuk melakukan perhitungan

kesamaan teks antar dokumen proposal penelitian. Perhitungan kesamaan

dilakukan dengan metode Cosine Similarity dan pembobotan.Bobot dari metadata

menunjukkan tingkatan kepentingan metadata dalam dokumen. Pada penelitian

ini metadata dimanfaatkan sebagai solusi untuk tindakan awal dalam mendeteksi

secara cepat kesamaan teks pada dokumen penelitian. Hal ini menunjukkan bahwa

jika program yang dibuat pada penelitian ini digunakan, maka seorang reviewer

akan lebih mudah dalam melihat kesamaan dari banyak dokumen. Persetujuan

reviewer menunjukkan bahwa penggunaan metadata dengan pembobotan dalam

menghitung kesamaan dokumen proposal penelitian dapat diterima sebagai salah

satu alat bantu dalam menilai kesamaan secara cepat sebuah proposal penelitian.

Pemberian bobot yang berbeda besarnya pada setiap metadata dapat menjadi

solusi untuk memberikan tingkat kepentingan yang berbeda beda sesuai dengan

jenis skema. Hal ini menunjukkan bahwa pembobotan dapat mempengaruhi

proporsi nilai sebuah metadata untuk menunjukkan kepentingannya dalam sebuah

dokumen penelitian.

(5)

commit to user

v

THE USING OF METADATA IN ASSESSING THE SIMILARITY OF THE RESEARCH PROPOSAL

LAHARDI ALKAWERO

Department of Informatics. Mathematics and Natural Science Faculty.

Sebelas Maret University

ABSTRACT

This study aimed to examine the using of metadata in the calculation of the

similarity of research proposals. The problem studied is how to use metadata to

calculate similarities between the text of the research proposal document.

Similarity calculations done by using Cosine Similarity and weightings. The

weight of the metadata shows the level of importance in the document. In this

research, metadata is used as a solution to the initial action in the rapid detection

of text similarity of the research document. Itshows that if the program were made

in this study is used, then the reviewer will be easier to see the similarities of

many documents. Approval of reviewer suggests that the using of metadata with

weighting process in calculating the similarity of the research proposal documents

can be accepted as a tool in assessing similarities of research proposalsquickly.

Giving different weight to each metadata can be a solution to provide different

importancelevel according to the type of scheme. This shows that the weighting

can affect the proportion of the value of a metadata to indicate importance level in

a research document.

(6)

commit to user

vi

MOTTO

sesungguhnya

sesudah kesulitan itu ada kemudahan, Maka apabila kamu telah selesai (dari

sesuatu urusan), kerjakanlah dengan sungguh-sungguh (urusan) yang lain

(Q.S Alam Nasyrah : 5-7)

(Q.S Al-Baqarah : 214)

barangsiapa bertakwa kepada Allah niscaya dia akan mengadakan baginya

jalan keluar. Dan memberinya rezki dari arah yang tiada disangka-sangkanya.

dan barangsiapa yang bertawakkal kepada Allah niscaya Allah akan

mencukupkan (keperluan)nya. Sesungguhnya Allah melaksanakan urusan yang

(dikehendaki)Nya. Sesungguhnya Allah Telah mengadakan ketentuan bagi

tiap-tiap sesuatu

(Q.S At talaq : 2-3)

Banyak kegagalan dalam hidup ini dikarenakan orang-orang tidak menyadari

betapa dekatnya mereka dengan keberhasilan saat mereka

(7)

commit to user

vii

PERSEMBAHAN

Kupersembahkan karya ini kepada :

Ibu, Bapak serta kedua adik tercinta Asfarina Aulia dan Lazwardi Azhar

Nur Ahyuni, S.E. yang selalu memberi semangat

(8)

commit to user

viii

KATA PENGANTAR

Bismillahirrahmaanirrahiim

yang senantiasa memberikan nikmat dan karunia-Nya sehingga penulis dapat

menyelesaikan skripsi dengan judul Pemanfaatan Metadata Dalam Menilai

Kesamaan Proposal Penelitian, yang menjadi salah satu syarat wajib untuk

memperoleh gelar Sarjana Informatika di Universitas Sebelas Maret (UNS)

Surakarta.

Penulis menyadari akan keterbatasan yang dimiliki, begitu banyak

bimbingan, bantuan, serta motivasi yang diberikan dalam proses penyusunan

skripsi ini. Oleh karena itu, ucapan terima kasih penulis sampaikan kepada :

1. Ibu, Bapak, dan adik - adikku, serta teman-teman yang telah memberikan

banyak dukungan materi dan non materi sehingga penyusunan skripsi ini

dapat terselesaikan.

2. IbuDewi Wisnu Wardani, S. Kom. , MS. selaku Dosen Pembimbing I yang

penuh kesabaran membimbing, mengarahkan, dan memberi motivasi kepada

penulis selama proses penyusunan skripsi ini,

3. Ibu Sari Widya Sihwi, S.Kom., M.T.Iselaku Dosen Pembimbing II yang

penuh kesabaran membimbing, mengarahkan, dan memberi motivasi kepada

penulis selama proses penyusunan skripsi ini,

4. Bapak dan Ibu dosen serta karyawan di Jurusan Informatika FMIPA UNS

yang telah mengajar penulis selama masa studi dan membantu dalam proses

penyusunan skripsi ini,

5. Nur Ahyuni, S.E. sebagai sahabat terbaik yang telah banyak memberikan

motivasi dan inspirasi kepada penulis.

Surakarta, Januari 2013

(9)

commit to user

ix

DAFTAR ISI

HALAMAN JUDUL ... i

HALAMAN PERSETUJUAN ... ii

HALAMAN PENGESAHAN ... iii

ABSTRAK ... iv

ABSTRACT ... v

MOTTO ... vi

PERSEMBAHAN ... vii

KATA PENGANTAR ... viii

DAFTAR ISI ... ix

DAFTAR TABEL ... xii

DAFTAR GAMBAR ... xiii

DAFTAR LAMPIRAN ... xiv

BAB IPENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 2

1.3 Batasan Masalah ... 2

1.4 Tujuan Penelitian ... 2

1.5 Manfaat Penelitian ... 3

1.6 Sistematika Penulisan ... 3

BAB IITINJAUAN PUSTAKA ... 4

2.1 Landasan Teori ... 4

2.1.1 Metadata ... 4

2.1.2 Information Retrieval ... 4

2.1.3 Text Processing ... 5

2.1.4 Indexing ... 6

(10)

commit to user

x

2.1.6 Term Frequency Inverse Document Frequency ... 8

2.2 Penelitian Sebelumnya ... 9

2.2.1 Text Similarity: An Alternative Way To Search MEDLINE ... 9

2.2.2 Similarity Measures For Text Document Clustering ... 9

2.2.3 A Wikipedia Based Multilingual Retrieval Model ... 9

2.2.4 Methods For Identifying Versione Dan Plagiarized Document ... 10

2.2.5 Inferring Similarity Between Music Objects With Application To Playlist Generation ... 10

2.2.6 From Context To Content: Leveraging Context To Infer Media Metadata ... 10

BAB IIIMETODE PENELITIAN... 11

3.1 StudiLiteratur ... 11

3.2 Observasi ... 11

3.3 Analisa Metadata ... 12

3.3.1 Metadata dan Pembobotan Tiap Skema ... 13

3.3.2 Data Set ... 15

3.4 Perancangan Dan Implementasi Algoritma Kesamaan Metadata ... 15

3.5 Pengujian ... 16

BAB IVHASIL DAN PEMBAHASAN ... 17

4.1 Perancangan Model dan Algoritma Kesamaan Metadata ... 17

4.2 Pengujian ... 22

4.3.1 Pengujian 1 ... 22

4.3.2 Pengujian 2 ... 23

4.3.3 Pengujian 3 ... 24

4.3.4 Pengujian 4 ... 25

4.3.5 Pengujian 5 ... 26

4.3.6 Pengujian 6 ... 28

4.3.7 Pengujian 7 ... 29

4.3.8 Pengujian 8 ... 30

(11)

commit to user

xi

4.3.10 Validasi Reviewer ... 32

BAB VPENUTUP ... 34

5.1 Kesimpulan ... 34

5.2 Saran ... 34

(12)

commit to user

xii

DAFTAR TABEL

Table 1. Tabel daftar metadata dan bobot pada skema Fundamental ... 13

Table 2. Tabel daftar metadata dan bobot dari skema Hibah Bersaing ... 14

Table 3. Tabel daftar metadata dan bobot dari skema Strategi Nasional ... 14

Table 4. Data Set ... 15

Table 5. Data Testing ... 15

Table 6. Daftar nilai kesamaan metadata ... 23

(13)

commit to user

xiii

DAFTAR GAMBAR

Gambar 1. Ilustrasi Algoritma Pembobotan TF-IDF ... 8

Gambar 2. Tahapan kerja pada penelitian ini... 11

Gambar 3. Cara pengambilan metadata dari dokumen penelitian ... 12

(14)

commit to user

xiv

DAFTAR LAMPIRAN

LAMPIRAN A Persetujuan pembobotan metadata oleh pihak LPPM UNS ... 39

LAMPIRAN B Tanggapan Reviewer... 40

(15)

commit to user

1

BAB I PENDAHULUAN

1.1 Latar Belakang

Pencarian informasi yang berupa tulisan seperti artikel, jurnal, dan buku

elektronik saat ini sangatlah mudah. Kemudahan akan pencarian informasi juga

menimbulkan masalah masalah yang terkait dengan keaslian isi atau ide dari

sebuah dokumen atau tulisan. Sebuah lembaga penelitian sudah semestinya

memiliki berbagai prosedur yang diterapkan untuk mencegah terjadinya tindakan

plagiat. Untuk itu, perlu adanya metode dan ukuran yang dapat menilai keaslian

atau kebaruan isi dari tulisan. Ukuran yang dapat digunakan adalah ukuran

kesamaan antar dokumen yang dihitung dengan berbagai metode. Salah satu

contohnya, kesamaan dokumen yang dihitung menggunakan pendekatan

kesamaan semantik(Broome, 2004)atau penelitian yang dilakukan dengan

menghitung kesamaan seluruh isi dokumen dengan melakukan text processing

dan menghitung kesamaannya menggunakan berbagai metode seperti Cosine,

Dice, Jaccard, Hellinger dan Harmonic(Hariharan, 2010).

Metode metode yang telah ada sudah banyak diterapkan dalam berbagai

kasus, salah satu kasusnya adalah mendeteksi adanya tindakan

plagiarisme(Hoada & Zobel, 2003). Meskipun dalam menilai tindakan

plagiarisme yang terjadi pada sebuah dokumen tidaklah mudah, namun metode

yang ada dapat diterapkan pada salah satu tahapan dalam menilai tindakan

plagiarisme yaitu pada tahap pengukuran kesamaan keseluruhan teks dengan

menggunakan metode Cosine Similarity(Hariharan, 2010).Selain menghitung

keseluruhan teks, metode yang ada juga telah digunakan untuk menghitung

kesamaan metadata, seperti kesamaan metadata untuk generate playlist lagu

lagu secara otomatis (Ragno et al., 2005)dan pengelompokkansecara otomatis

berdasarkan kesamaan metadata dari gambar yang diunggah(Davis et al., 2004).

Pada penelitian ini penulis meneliti bagaimana memanfaatkan metadata

untuk menghitung kesamaan dokumen proposal penelitian menggunakan metode

(16)

commit to user

standar sehingga bisa ditentukan bagian - bagian yang paling mewakili seluruh isi

dokumen. Bagian bagian tersebut akan dijadikan metadata yang dapat

digunakan dalam proses perhitungan kesamaan dokumen. Perhitungan kesamaan

yang dilakukan pun akan lebih efektif karena data yang digunakan hanyalah

metadata yang dianggap perlu dan mewakili isi dari dokumen, bukan seluruh isi

dari dokumen.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dijelaskan sebelumnya, maka

masalah yang akan diteliti adalah bagaimana memanfaatkan metadata dalam

melakukan perhitungan kesamaan antar dokumen proposal penelitian dengan

metode Cosine Similarity.

1.3 Batasan Masalah

Agar pembahasan terfokus pada permasalahan yang akan dibahas maka

penelitian ini terbatas pada :

Metadata dari dokumen penelitian yang akan digunakan sudah tersedia di

Lembaga Penelitian Dan Pengabdian Kepada Masyarakat Universitas Sebelas

Maret( LPPM UNS ).

Data dokumen yang diujikan adalah proposal penelitianLPPM UNS dengan

sumber dana dari Direktorat Jenderal Pendidikan Tinggi (Ditjen Dikti) khusus

skema Hibah Bersaing, Fundamental dan Strategis Nasional sejak tahun 2008

sampai 2011.

1.4 Tujuan Penelitian

Tujuan dari penelitian ini adalah memanfaatkanmetadatadalam melakukan

perhitungan kesamaan antar dokumen proposal penelitian dengan metode Cosine

(17)

commit to user

3

1.5 Manfaat Penelitian

Diharapkan hasil penelitian ini dapat digunakan sebagai solusi alternatif

dalam membantu pihak lembaga penelitian yaitu LPPM UNS dalam menilai

kualitas sebuah proposal dengan menggunakan nilai kesamaan metadatadari

dokumen proposal penelitian. Hasil penelitian ini akan membantu reviewer dalam

menilai proposal yang akan diterima.

1.6 Sistematika Penulisan

Sistematika penyusunan laporan ini dibagi atas lima bab. Adapun bab-bab

tersebut adalah sebagai berikut :

BAB I PENDAHULUAN

Bab ini berisi uraian tentang latar belakang masalah, rumusan masalah, batasan

masalah, tujuan penelitian, manfaat penelitian, tinjauan pustaka, dan sistematika

penulisan laporan.

BAB II TINJAUAN PUSTAKA

Bab ini berisi teori-teori yang digunakan sebagai dasar pembahasan dari topik

laporan skripsi.

BAB III METODOLOGI

Bab ini berisi tahapan-tahapankerja yang digunakan sebagai acuan dalam

menyelesaikan skripsi.

BAB IV PEMBAHASAN

Bab ini berisi tentang eksperimen pengujian dari algoritma yang telah disusun

dengan menggunakan sejumlah sample datauntuk kemudian dilakukan analisis

terhadap hasil dari eksperimen yang telah dilakukan.

BAB V KESIMPULAN DAN SARAN

Bab ini berisi uraian tentang kesimpulan dan saran-saran sebagai bahan

(18)

commit to user

menggambarkan isi, format atau atribut dari catatan data atau sumber informasi.

Metadata didefinisikan secara umum sebagai data terstruktur tentang data. Namun

menurut Gililand dalam (Chuttur, 2011), proses pembuatan metadatadapat

melibatkan baik input subjektif maupun objektif sesuai dengan kebutuhan

pengguna.

Beberapa contoh metadata, yaitu pernyataan dari fakta tentang penulis,

tanggal pembuatan, versi, dan atribut lainnya umumnya dapat ditentukan secara

obyektif. Metadataobjektif juga dapat dihasilkan oleh mesin dalam kebanyakan

kasus, seperti metadata "properties" yang dihasilkan saat membuat sebuah file

dalam pengolah kata atau aplikasi spreadsheet.Metadata subjektif, adalah

metadata yang merujuk pada sudut pandang (penugasan kata kunci, ringkasan

konten dalam abstrak), atau karena secara khusus dimaksudkan untuk mewakili

evaluasi subjektif (review buku atau presentasi ). Bahkan elemen metadata yang

lebih formal menjadi subjektif bila digunakan dalam konteks budaya atau domain

yang merujuk pada interpretasi lokal. Sebagai contoh, karakteristik pedagogis

yang tergantung pada suatu filsafat pendidikan tertentu mungkin penting dalam

konteks tertentu, tapi tidak akan memiliki makna di luar konteks itu (Duval et al.,

2002).

2.1.2 Information Retrieval

Information retrievalsystem atau sistem temu kembali informasi berkaitan

dengan representasi, penyimpanan, pengorganisasian, dan pengaksesan informasi.

Sistem temu kembali informasi berbeda dengan sistem temu kembali data dalam

beberapa segi, antara lain spesifikasi query yang tidak lengkap dan tingkat

(19)

commit to user

5

dengan teks bahasa alami yang tidak selalu terstruktur dengan baik dan bersifat

ambigu(Baeza-Yates & Ribeiro-Neto, 1999).

Sistem temu kembali informasi bekerja berdasarkan query yang diberikan

pengguna yang menghasilkan daftar dokumen yang dianggap relevan. Tidak ada

jaminan bahwa seluruh materi yang ditemukembalikan tersebut relevan dengan

yang diinginkan pengguna dan belum tentu seluruh materi yang relevan dengan

permintaan pengguna berhasil ditemukembalikan (Adisantoso & Ridha, 2004).

2.1.3 Text Processing

Suatu dokumen tidak dapat dikenali langsung oleh suatu sistem temu

kembali informasi sehingga perlu dilakukan pemrosesan terlebih dahulu.

Beberapa pengolahan teks adalah sebagai berikut :

1.Tokenizing

Tokenizing adalah proses pengenalan token yang terdapat dalam rangkaian

teks(Grossman, 2001). Dalam pembuatan indeks istilah, dokumen dipecah

menjadi unit-unit yang lebih kecil misalnya berupa kata, frasa, atau kalimat. Unit

pemrosesan tersebut disebut token. Seringkali spasi digunakan sebagai pemisah

antar token (Jackson, 2002).

2.Stopword Removal

Stopword removal merupakan tahap pembuangan yang termasuk dalam

stoplist yaitu kata yang sering muncul dalam dokumen akan tetapi tidak memiliki

makna yang berarti dan tidak signifikan dalam membedakan dokumen atau query

misalnya

kata-Stopword removal bertujuan untuk mengurangi daftar kata indeks dan

mempercepat indexing(Grossman, 2001).

3.Stemming

Stemming adalah proses penghilangan prefiksdan suffiks dari kata untuk

mendapatkan kata dasarnya (Grossman, 2001). Dalam hal efisiensi, stemming

mengurangi jumlah kata-kata unik dalam indeks sehingga mengurangi kebutuhan

ruang penyimpanan untuk indeks dan mempercepat proses pencarian. Dalam hal

(20)

commit to user

kebentuk dasarnya. Kata bersama, kebersamaan, menyamai, akan diubah menjadi

kata dasarnya stemming dapat diukur

berdasarkan beberapa parameter, seperti kecepatan proses, keakuratan, dan

kesalahan.

2.1.4 Indexing

Indeks merupakan suatu daftar term. Tujuan penggunaan indeks adalah

untuk meningkatkan kecepatan dan efisiensi pencarian di dalam kumpulan

dokumen. Tanpa indeks, query pengguna harus secara sekuensial melakukan scan

terhadap kumpulan dokumen sehingga memerlukan waktu yang cukup lama

dalam menemukan dokumen mana yang relevan dengan term pencarian. Scan

secara sekuensial ini sangat tidak feasible(Grossman, 2001).

Inverted index terdiri dari dua bagian. Yang pertama adalah indeks dari kata

(secara umum disebut indeks kata, leksikon, atau kamus kata) yang menyimpan

daftar term yang berbeda yang ditemukan pada kumpulan dokumen. Untuk setiap

term terdapat daftar dokumen yang mengandungtermtersebut. Daftar dokumen ini

merupakan bagian kedua dari inverted index(Grossman, 2001). Berikut ini adalah

ilustrasi proses indexing dengan inverted index :

D1: The GDP increased 2 percent this quarter.

D2: The spring economic slowdown continued to spring downwards this

quarter.

Inverted index dari kedua dokumen tersebut adalah :

(21)

commit to user

7

spring [D2]

the [D1] [D2]

this [D1] [D2]

to [D2]

seperti yang terlihat diatas, term continued, economic, slowdown, spring dan to

hanya terdapat pada dokumen kedua. Term GDP, increased, percent, dan 2 hanya

terdapat pada dokumen pertama. Term quarter, the, dan this terdapat pada kedua

dokumen(Grossman, 2001).

2.1.5 Vector Space Model

Menurut Salton dalamArifin(2002), salah satu model sistem temu kembali

informasi yang paling sederhana namun paling produktif adalah model ruang

vektor. Vektor model ini merepresentasikan term yang terdapat pada dokumen

dan query. Term dapat berupa kata, frasa, atau unit hasil indexing lain dalam suatu

dokumen sebagai gambaran konteks dari dokumen tersebut. Karena tiap kata

memiliki tingkat kepentingan yang berbeda dalam dokumen, maka diperlukan

indikator yaitu termweight (bobot term) dalam proses pencocokan dan

perankingan dokumen terhadap query.

Menurut Munoz dalam Arifin(2002), dokumen dan term masing-masing

dapat direpresentasikan dengan model ruang vektor. Misal t1, t2, ..., tn

menyatakan term yang digunakan untuk mengindeks database yang terdiri dari

dokumen D1, D2, ...., Dm.maka dokumen Di dinyatakan dengan :

Di = (ai1, ai2, ..., ain) dimana aij = bobot term tj dalam dokumen Di.

Kobayashi dalam Arifin (2002)juga menambahkan terdapat beberapa

metode pembobotan term yaitu Binary Weighting, Term Frequency, Log

(22)

commit to user

2.1.6 Term Frequency Inverse Document Frequency

Metode pembobotan yang umumnya diunggulkan dalam

penelitian-penelitian untuk digunakan dalam model ruang vektor yaitu Term Frequency

Inverse Document Frequency (TF-IDF) Arifin (2002). Metode TF-IDF merupakan

suatu cara untuk memberikan bobot hubungan suatu kata (term) terhadap

dokumen. Metode ini menggabungkan dua konsep untuk perhitungan bobot yaitu

frekuensi kemunculan sebuah kata di dalam sebuah dokumen tertentu (term

frequency) dan inversidarifrekuensi dokumen yang mengandung kata tersebut

(inverse document frequency). Term frequency (TF) menunjukkan seberapa

penting kata tersebut didalam sebuah dokumen yang diberikan. Document

frequency (DF) menunjukkan seberapa umum kata tersebut.

Ilustrasi algoritma pembobotan TF-IDF ditunjukkan pada Gambar1.

Gambar 1. Ilustrasi Algoritma Pembobotan TF-IDF(Harlian, 2006)

Keterangan :

d1, d2, d3, d4, d5 = dokumen

tf = banyaknya term yang dicari pada sebuah dokumen

N = total dokumen

(23)

commit to user

9

2.2 Penelitian Sebelumnya

Berikut ini adalah beberapa penelitian sejenis yang pernah dilakukan terkait

metadata dan informationretrievalsystem :

2.2.1 Text Similarity: An Alternative Way To Search MEDLINE (Lewis et al., 2006)

Artikel ini menerangkan bahwa metode cosine similarity adalah metode

yang paling banyak digunakan dalam perhitungan kesamaan vektor. tiga skema

pembobotan yang berbeda diterapkan dan diuji untuk mengukur pentingnya kata

kunci. Dalam pendekatan penilaian, setiap kata mendapatkan nilai m jika m kali

terjadi dalam sebuah teks (user query atau dokumen perpustakaan). Frekuensi

kemunculan dituliskan sebagai term frequency 1 (TF1) pembobotan, dan

diekspresikan dengan mendefinisikan kembali istilah xi sebagai jumlah

kemunculan kata i dalam query dan yi sebagai jumlah kejadian dari kata i dalam

teks perpustakaan. Pembobotan yang paling umum digunakan dalam literatur

information retrieval adalah TF * IDF.

2.2.2 Similarity Measures For Text Document Clustering (Huang, 2008)

Dalam artikel ini dijelaskan bahwa ketika dokumen direpresentasikan

sebagai sebuah vektor, similarity dari dua dokumen sesuai dengan korelasi antar

vektor. Hal ini diukur sebagai kosinus dari sudut antar vektor, yaitu yang disebut

Cosine Similarity. Cosine Similarityadalah salah satu yang paling popular untuk

mengukur kesamaan dan diterapkan untuk dokumen teks, seperti di banyak

aplikasi sistem temu kembali dan juga clustering.

2.2.3 A Wikipedia Based Multilingual Retrieval Model (Potthast et al., 2008)

Makalah ini memperkenalkan CL-ESA, model pengambilan baru

multibahasa untuk kesamaan analisis lintas bahasa. Model pengambilan

memanfaatkan keselarasan multi-bahasa dari Wikipedia: misalnya diberikan

(24)

commit to user

untuk d, di mana setiap dimensi i di d mengkuantifikasi kesamaan d terhadap

dokumen d * i dipilih dari "bagian-L" dari Wikipedia. Demikian juga, untuk d

dokumen kedua, ditulis dalam bahasa L maka L = L. Dibangun sebuah konsep

vektor d. Karena konsep kedua vektor d dan d* adalah koleksi-relatif representasi

d dan d* adalah language-independent, maka kesamaannya langsung dapat

dihitung dengan mengukur kesamaan kosinus.

2.2.4 Methods For Identifying Versione Dan Plagiarized

Documents (Hoada & Zobel, 2003)

Mudahnya perpindahan sebuah dokumen teks dari sebuah tempat

penyimpanan ke tempat lain menimbulkan besarnya resiko plagiarisme.

Perubahan yang terjadi pada isinya pun dapat terjadi dengan mudah pada proses

edit. Dalam makalah ini dilakukan penelitian untuk mengidentifikasi dokumen

yang terindikasi ada resiko tindakan plagiarisme. Salah satu metode yang

digunakan adalah metode kesamaan vektor yaitu Cosine Similarityyang dapat

digunakan pada tahap penilaian kesamaan. Dokumen yang memiliki tingkat

kesamaan cukup besar dapat dilakukan analisa selanjutnya untuk menilai apakah

ada tindakan plagiarisme diantara dokumen yang terindikasi.

2.2.5 Inferring Similarity Between Music Objects With Application To

Playlist Generation (Ragno et al., 2005)

Pada penelitian ini metadata digunakan untuk generate playlist lagu lagu

secara otomatis. Metadata yang dihasilkan oleh program pemutar file musik

digunakan dalam perhitungan kesamaan menggunakan Metode Cosine Similarity.

2.2.6 From Context To Content: Leveraging Context To Infer Media

Metadata (Davis et al., 2004)

Pada penelitian ini dijelaskan bahwa Perhitungan kesamaan metadata dapat

(25)

commit to user

11

BAB III

METODE PENELITIAN

Tahapan kerja yang dilakukan dalam penelitian tugas akhir ini dapat dilihat pada

Gambar2

Gambar 2. Tahapan kerja pada penelitian ini

3.1StudiLiteratur

Studi literatur dilakukan penulis untuk memperdalam pengetahuan tentang

topik terkait dengan penelitian yang akan dilakukan yang meliputi metadata,

cosine similarity, text processing dan information retrieval.

3.2Observasi

Observasi dilakukan di lembaga penelitian yaitu LPPM UNS untuk

mengambil data dan mempelajari panduan penilaian sebuah dokumen proposal

penelitian. Pemilihan lembaga penelitian sebagai tempat observasi menjadi

penting karena akan mempengaruhi tahap analisa metadata. Dokumen penelitian

yang formatnya terstruktur dan memiliki panduan penulisan serta penilaian

membuat penulis memilih LPPM UNS sebagai tempat observasi dalam penelitian

(26)

commit to user

3.3Analisa Metadata

Pada tahap analisa metadata penulis meneliti data data yang telah

dikumpulkan pada tahap observasi. Setelah mengetahui data secara keseluruhan

barulah melakukan pemilihan metadata yang akan digunakan sebagai data

pengujian. Berikut ini adalah Gambar 3 sebagai ilustrasi pemilihan metadatadari

sebuah dokumen penelitian.

Gambar 3. Cara pengambilan metadata dari dokumen penelitian

Pada Gambar 3 dapat dilihat bahwa setiap bagian (judul, latar belakang,

rumusan masalah) akan digunakan sebagai metadata yang akan digunakan dalam

perhitungan kesamaan. Pemilihan metadata akan berbeda menyesuaikan skema

yang akan digunakan.

Hasil dari analisa metadata adalah daftar metadata serta bobotnya yang

mengacu pada panduan penelitian tahun 2011 serta disetujui oleh lembaga

penelitian.

Pemilihan metadata dan penentuan bobot didapatkan melalui diskusi dengan

(27)

commit to user

13

tahun. Skema yang diteliti adalah skema Fundamental, Hibah Bersaing dan

Strategi Nasional.

3.3.1 Metadata dan Pembobotan Tiap Skema

Setiap skema memiliki metadata dan cara pembobotan yang berbeda.

Penjelasan dilakukan melalui tabel untuk memudahkan pemahaman. Metadata

metadata yang digunakan dalam perhitungan

kesamaan.

Table 1.Tabel daftar metadata dan bobot pada skema Fundamental Metadata Digunakan dalam

Perhitungan

Bobot

Fakultas -

bidang ilmu -

judul ₅

abstrak ₅

masalah _7.5

manfaat ₃₀

tujuan _7.5

metode ₁₅

daftar pustaka ₃₀

latar belakang -

(28)

commit to user

Table 2. Tabel daftar metadata dan bobot dari skema Hibah Bersaing Metadata Digunakan dalam

Perhitungan

daftar pustaka ₁₅

latar belakang -

tinjauan pustaka -

Table 3. Tabel daftar metadata dan bobot dari skema Strategi Nasional Metadata Digunakan dalam

(29)

commit to user

15

3.3.2 Data Set

Data set yang digunakan untuk pengujian adalah metadata dokumen

proposal penelitian skema Fundamental, Hibah Bersaing dan Strategi Nasional

tahun 2008 sampai 2011 dengan rincian sebagai berikut :

Table 4. Data Set

Skema Jumlah Data

Fundamental 29

Hibah Bersaing 48

Strategi Nasional 14

Total 91

91 data tersebut sebagai data lama yang akan digunakan sebagai

pembanding dengan data testing . Data eksperimental yang digunakan sebagai

data testing berjumlah 10 dokumen dengan rincian sebagai berikut :

Table 5. Data Testing

3.4Perancangan Dan Implementasi Algoritma Kesamaan Metadata

Pada tahap perancangan algoritma kesamaan metadata dibuat algoritma

yang dapat digunakan untuk menghitung kesamaan metadata. Algoritma yang

dihasilkan akan diterapkan pada kode program yang digunakan pada tahap

pengujian. Berikut ini adalah tahapan dalam merancang algoritma untuk

menghitung kesamaan metadata :

Menerapkan model matematika ke dalam kasus yang sedang diteliti.

Membuat kode semu dari algoritma.

Implementasi.

Skema Jumlah Data

Fundamental 3

Hibah Bersaing 3

Strategi Nasional 3

(30)

commit to user

Environtment / tools yang digunakan pada implementasi dari kode semu

menjadi kode program adalah sebagai berikut :

Bahasa pemrograman yang digunakan adalah java

Object relational mapping (ORM) framework yang digunakan adalah

Hibernate 3.6.10final.

Framework yang digunakan untuk menangani dependency injection dan

penanganan java object adalah Spring 3.0.5.

Application Programming Interface (API) yang digunakan untuk

penganganan text processing adalah Lucene 3.6.1.

3.5Pengujian

Pada tahap pengujian, seluruh data eksperimental diuji dengan

menggunakan program yang menerapkan algoritma yang telah dihasilkan pada

tahap perancangan algoritma. Pengujian dilakukan dengan tahap sebagai berikut :

Menentukan data set yang digunakan sebagai data pengujian. Data set terdiri

dari data lama dan data testing.

Menghitung kesamaan antara metadata dari setiap data testing dan metadata

dari seluruh data lama.

Melakukan validasi terhadap hasil persamaan yang akan dibantu oleh dua

orang reviewer dari LPPM UNS yaitu Prof.Dr.Okid Parama Astirin, M.S. dan

(31)

commit to user

17

BAB IV

HASIL DAN PEMBAHASAN

4.1Perancangan Model dan Algoritma Kesamaan Metadata

Gambar 4 berikut ini adalahvisualisasi proses perhitungan kesamaan

metadata.

Gambar 4. Visualisasi proses perhitungan kesamaan metadata

Dari Gambar 4dapat dilihat bahwa metadatadari dokumen penelitian

digunakan sebagai input. Sebelum dilakukan proses perhitungan kesamaan, input

yang berupa teks haruslah melalui tahap preprocessing ( text processing dan

indexing ) sebelum dilakukan proses perhitungan kesamaan metadata.Text

processing dilakukan dengan tambahan library dari apache.org yaitu Lucene

3.6.1.

Model kesamaan yang dimaksud adalah model matematika untuk

perhitungan kesamaan metadata. Dimisalkan jumlah metadata yang digunakan

pada perhitungan kesamaan dan pembobotan untuk sebuah skema

adalahnmetadata. Model matematika dari rumus cosine similarity dijelasan pada

persamaan (1). Metadata of

research

document

Pre

processing DB

Count

Similarity

(32)

commit to user

(1)

Dimana similarity adalah nilai kesamaan dari satu jenis metadata, misalkan

saja nilai kesamaan dari judul. A adalah vektor yang terbentuk dari salah satu

metadata sebuah dokumen dan B adalah vektor dari salah satu metadatadokumen

lainnya. A dan Badalah metadata dengan jenis yang sama, misalkan A

menyatakan judul maka B juga menyatakan judul. Ai adalah nilai dari index ke i

pada vektor A begitu juga dengan Bi. n menyatakan jumlah indeks dari vektor

yang terbentuk. Vektor vektor yang terbentuk berisi nilai hasil perhitungan

TF-IDF untuk setiap term atau kata yang ada dalam metadata.

Jika jumlah metadata dari sebuah dokumen adalah n, maka dapat dimodelkan

pada persamaan (2) .

(2)

Dimana sim_dok adalah nilai kesamaan total metadata - metadata dari dua dokumen. Namun karena bobot tiap metadata tidaklah sama, maka nilai

kesamaan totalnya dapat dimodelkan pada persamaan (3) .

(3)

Dimana Wiadalahbobot dari masing masing metadata. Nilai sim_dok inilahyang dijadikan nilai akhir dari kesamaan dua buah dokumen yang

dibandingkan. Setelah model matematika dari perhitungan kesamaan metadata

dibuat, tahap selanjutnya adalah pembuatan kode semu dan implementasi menjadi

kode program untuk pengujian.

Berikut ini adalah kodesemudari algoritma yang sudah dirancang . Kode

semu berikut digunakan untuk menghitung satu jenis metadata, jika terdapat

(33)

commit to user

19

//membuat vektor yang berisi kata-kata dari metadata lama dan baru

vektorLama; vektorBaru;

//membuat vektor baru yang berisi semua kata unique gabungan dari

vektorLama dan vektorBaru

vektorSemuaTerm ;

//membuat vektor yang berisi term frequency dari setiap kata yang ada

pada masing masing vektor (lama dan baru)

vektorTermFrequensiLama; vektorTermFrequensiBaru;

//mengisi term frequency untuk vektorTermFrequensiLama

//cek semua isi dari vektor yang berisi semua unique term

int j = 0;

for (cek semua isi dari vektorSemuaTerm) { double i = 0;

for (cek semua isi dari vektorLama) { if (isi termLama= isi termUniq) { i++;

}}

vektorTermFrequensiLama[j] = i;

//merubah isi vektor yang berisi term frequency menjadi TF-IDF dengan

cara dikalikan nilai IDF

dari setiap kata yang ada di vektor unique term

double idf = 0;

(cek semua isi dari index) { if(index=termUniq)) { idf = index.getIDF(); break;

} }

vektorTermFrequensiLama[j] = vektorTermFrequensiLama[j] * idf; j++;

(34)

commit to user

//mengisi term frequency untuk vektorTermFrequensiBaru

//cek semua isi dari vektor yang berisi semua unique term

j = 0;

(cek semua isi dari vektorSemuaTerm) { double i = 0;

(cek semua isi vektorBaru) {

if (ada yang sama dengan termUniq) {i++;}} vektorTermFrequensiBaru[j] = i;

double idf = 0;

(cek semua isi index) {

if(index=termUniq) {idf = index.getIDF(); break;

}}

vektorTermFrequensiBaru[j] = vektorTermFrequensiBaru[j] * idf; j++;

}

//hitung dot product

double dot = 0;

(35)

commit to user

21

//mencari panjang vektor dari vektor yang berisi nilai TF-IDF dari

vektor lama dan baru

double pjgVektorTFIDFLama= 0;

for (int i = 0; i < panjang vektorTermFrequensiLama; i++) { pjgVektorTFIDFLama+= pangkat(vektorTermFrequensiLama[i], 2); }

pjgVektorTFIDFLama= akar(pjgVektorTFIDFLama); double pjgVektorTFIDFBaru = 0;

for (int i = 0; i < panjang vektorTermFrequensiBaru; i++) { pjgVektorTFIDFBaru += pangkat(vektorTermFrequensiBaru[i], 2); }

pjgVektorTFIDFBaru = akar(pjgVektorTFIDFBaru);

double panjangTotal = pjgVektorTFIDFLama* pjgVektorTFIDFBaru; if (dot == 0 atau panjangTotal == 0) {

kembalikan nilai 0; }

//nilai kesamaan adalah dot product dari vektor lama dan baru di

bagi (panjang vektor lama dikali panjang vektor baru)

double sim = dot / panjangTotal;

//setelah dapat nilai kesamaannya, selanjutnya adalah mengalikannya

dengan bobot masing masing metadata. total kesamaan didapat dengan

(36)

commit to user

4.2 Pengujian

Keterangan pengujian adalah sebagai berikut :

1. Pengujian dilakukan per skema, maksudnya adalah setiap data testing akan

diujikan dengan seluruh data set yang skemanya sama dengan data testing.

2. Setelah data testing dibandingkan dengan seluruh data set, lalu dipilihlah data

dengan nilai kesamaan terbesar. Selanjutnya kumpulan data pengujian yang

memiliki nilai kesamaan terbesar akan ditunjukkan kepada reviewer LPPM

UNS untuk divalidasi apakah nilai kesamaan teks nya bisa diterima.

3. Data testing dituliskan sebagai data ke 1 sampai data ke 9. Iddata hasil

adalah nomer identitas dari data set dalam database. Id yang terpilih adalah Id

dari dokumen yang memiliki nilai kesamaan metadata paling besar dengan

data testing.

4.3.1 Pengujian 1

Keterangan pengujian

Jenis Skema : Hibah Bersaing

Judul Data Testing : Model Peningkatan Kompetensi Pemandu Wisata

Lokal Melalui Metode Tourism Interpretation Untuk

Mendukung Pengembangan Pariwisata Berbasis

Masyarakat Secara Berkelanjutan

Id Data Hasil : 88

Judul Data Hasil : Pengelolaan Kawasan Wisata Berbasis Masyarakat

Sebagai Upaya Penguatan Ekonomi Lokal Dan

Pelestarian Sumber Daya Alam Di Kabupaten

Karanganyar

(37)

commit to user

23

Table 6.Daftar nilai kesamaan metadata metadata nilai

14.37%.Urgensi memiliki bobot tertinggi pada skema Hibah Bersaing sehingga

nilainya pun mempengaruhi nilai totalnya. Proporsi nilai Urgensi tanpa

pembobotan adalah 12% dari nilai totaldan setelah pembobotan adalah 30% dari

nilai total.Sedangkan Proporsi nilai Masalah tanpa pembobotan adalah 19% dari

nilai total dan setelah pembobotan adalah 10% dari nilai total.Hal ini

menunjukkan bahwa dengan pembobotan Urgensi menjadi lebih penting dari pada

Masalah.

4.3.2 Pengujian 2

Judul Data Testing : Pemberdayaan Perempuan Pengrajin Batik Girli

Untuk Meningkatkan Perekonomian Keluarga Dan

Mengembangkan Desa Wisata Di Kabupaten Sragen

Id Data Hasil : 91

Judul Data Hasil : Model Pemberdayaan Perempuan Miskin Melalui

Pengembangan Kewirausahaan Keluarga Menuju

Ekonomi Kreatif Di Kabupaten Karanganyar

(38)

commit to user

Dari pengujian 2 didapatkan nilai total kesamaan cukup besar, yaitu40.09

%. Nilai kesamaan terbobot terbesar didapat dari Pustakayaitu sebesar 14.93%.

Proporsi nilai Urgensi tanpa pembobotan adalah 11.5% dari nilai total dan setelah

pembobotan adalah 26% dari nilai total. Sedangkan Proporsi nilai Pustaka tanpa

pembobotan adalah 39% dari nilai total dan setelah pembobotan adalah 37% dari

nilai total. Nilai terbobot dari Pustaka lebih besar dari Urgensi karena karena nilai

kesamaannya adalah ±100%.

4.3.3 Pengujian 3

Judul Data Testing : Pengembangan Kanal Fleksibel Berbahan Beton

Memadat Mandiri Berserat Limbah Kaleng dan

Limbah Plastik

Id Data Hasil : 67

Judul Data Hasil : Rekayasa Beton Serat Performa Tinggi Dengan Serat

Baja Multi Dimensi

(39)

commit to user

25

kesamaan terbobot terbesar didapat dari Urgensi yaitu sebesar 15.39%. nilai

kesamaan dari Urgensi sebelum dibobot mendekati 0.5 yang berarti cukup mirip.

Proporsi nilai Urgensi tanpa pembobotan adalah 20% dari nilai total dan setelah

pembobotan adalah 46% dari nilai total. Hal ini menunjukkan kepentingan dari

Urgensi yang tinggi dalam pada skema Hibah Bersaing.

4.3.4 Pengujian 4

Jenis Skema : Fundamental

Judul Data Testing : Pendidikan Ekologis Berbasis Mitos Masyarakat di

daerah Rawan Bencana di Tawangmangu, Kabupaten

Karanganyar, Jawa Tengah

Id Data Hasil : 94

Judul Data Hasil : Mitos Prabu Boko Dalam Menjaga Keseimbangan

Alam Di Dusun Pancot, Tawangmangu, Karangnyar

(40)

commit to user

kesamaan terbobot terbesar didapat dari Manfaatyaitu sebesar 30.00%. Dengan

melihat pada nilai kesamaan per metadata pada Manfaat dan Tujuan didapatkan

nilai kesamaan sebesar 1 yang berarti sama persis. Dapat dilihat bahwa seluruh

metadata memiliki nilai kesamaan yang besar. Pustaka juga memiliki nilai

kesamaan yang besar. Dapat dilihat bahwa seluruh bagian metadata memiliki

nilai kesamaan yang cukup besar. Oleh karena itu, pengujian ini perlu diteliti lebih

lanjut oleh seorang reviewer.

4.3.5 Pengujian 5

Judul Data Testing : Digraf Eksentrik Dari Graf Friendship Dan Graf

Firecracker

Id Data Hasil : 27

Judul Data Hasil : Pelabelan L(D,2,1) Pada Graf Star, Graf Sun Dan

Graf Wheel Untuk Pola Penentuan Channel Stasiun

Radio

(41)

commit to user

27

Table 10.Daftar nilai kesamaan metadata Metadata nilai

yaitu28.41%. Nilai kesamaan terbobot terbesar didapat dari Manfaatyaitu sebesar

9.61%. sebelum pembobotan, nilai kesamaan yang terbesar adalah Judul yang

menunjukkan bahwa Judulnya cukup mirip. Namun Judul bukanlah aspek utama

dalam skema Fundamental. aspek utama dari skema Fundamental adalah Manfaat

dan Pustaka. Proporsi nilai Manfaat tanpa pembobotan adalah 15% dari nilai total

dan setelah pembobotan adalah 33% dari nilai total. Sedangkan proporsi nilai

Tujuan tanpa pembobotan adalah 21% dari nilai total dan setelah pembobotan

adalah 11% dari nilai total. Hal ini menunjukkan bahwa dengan pembobotan

(42)

commit to user

4.3.6 Pengujian 6

Judul Data Testing : Karakteristik Komposit Berpori Berbahan Dasar

Sampah Sebagai Alternatif Pengganti Core Komersial

Id Data Hasil : 26

Judul Data Hasil : Rekayasa Pengaturan Epoxy/Montmorilonite

Organoclay/ Serat Gelas Untuk Mendapatkan

Komposit Nano Dengan Karakteristik Struktur Mikro

Dan Sifat Mekanis Kualitas Tinggi

Tabel 11 Berikut ini menjelaskan nilai kesamaan tiap metadata secara detail.

kesamaan terbobot terbesar didapat dari Manfaatyaitu sebesar 21.47%.. Bobot

sebesar 30% diberikan pada Manfaat karena pada skema Fundamental manfaat

dianggap penting. Selain pada Manfaat, skema Fundamental juga berfokus pada

Pustaka sehingga diberikan bobot 30%. Pada pengujian ini nilai kesamaan

Pustaka hanya 0.10, sehingga seorang reviewer dapat melihat lebih teliti pada

(43)

commit to user

29

4.3.7 Pengujian 7

Jenis Skema : Strategis Nasional

Judul Data Testing : Manipulasi Pupuk Organik Untuk Meningkatkan

Efisiensi Pupuk Nitrogen Dan Kualitas Hasil

Tanaman Padi (Oryza Sativa L.)

Id Data Hasil : 80

Judul Data Hasil : Pengelolaan Tanaman Lorong Dan Tanaman Penutup

Tanah Sebagai Jaring Penyelamat Hara Dan

Pengendali Nitrifikasi Pada Kebun Kelapa Sawit

(Elaeis Guineensis Jacq.)

yaitu26.86%. Nilai kesamaan terbobot terbesar didapat dari Tujuan yaitu sebesar

6.40%. Meskipun Tujuan memiliki kesamaan yang cukup besar, Tujuan bukanlah

aspek utama pada skema Strategis Nasional. Pada skema Strategis Nasional,

Manfaat dan Urgensi dianggap lebih penting. Sehingga bobot yang cukup besar

diberikan pada Manfaat dan Urgensi. Pada pengujian 7 nilai kesamaan Manfaat

(44)

commit to user

4.3.8 Pengujian 8

Jenis Skema : Strategis Nasional

Judul Data Testing : Pengentasan Kemiskinan Melalui Pendekatan

Pembangunan Sistem Nafkah Berkelanjutan

(Sustainable Livelihoods Approach-Sla)

Id Data Hasil : 52

Judul Data Hasil : Harmonisasi Kebijakan Pengentasan Kemiskinan Di

Indonesia Dengan Program Millennium Development

Goals Dalam Rangka Menciptakan Iklim Kondusif

(45)

commit to user

31

sebesar 24.57%. Nilai kesamaan terbobot terbesar didapat dari Urgensi yaitu

sebesar 8.25%. Sebelum pembobotan nilai kesamaan yang terbesar adalah

Masalah, namun Masalah bukanlah aspek utama dalam skema Strategis Nasional

sehingga nilai terbobotnya tidak lebih besar dari Urgensi. Proporsi nilai Urgensi

tanpa pembobotan adalah 29% dari nilai total dan setelah pembobotan adalah 33%

dari nilai total. Sedangkan Proporsi nilai Masalah tanpa pembobotan adalah 30%

dari nilai total dan setelah pembobotan adalah 26% dari nilai total. Hal ini

menunjukkan bahwa dengan pembobotan Urgensi menjadi lebih penting dari pada

Masalah.

4.3.9 Pengujian 9

Jenis skema : Strategis Nasional

Judul data testing : Analisis Morfologi Tanaman Dan Kadar Protein Biji

Hubungannya Dengan Kualitas Hasil Olahan

Beberapa Varietas Kedelai Lokal Dan Impor

ID Data Hasil : 47

Judul data Hasil : Pencirian Tanaman Manggis (Garcinia Mangostana

L.) Di Jawa Sebagai Upaya Pemuliaan Dan

(46)

commit to user

berarti bahwa dokumen testing tidak mirip dengan data set yang memiliki Id 47.

Nilai kesamaan terbobot terbesar didapat dari Masalah yaitu sebesar 1.64%. Pada

pengujian 9 tidak didapatkan dokumen yang cukup mirip dengan data testing,

kesimpulan tersebut dapat diambil dari hasil nilai total kesamaan yang didapatkan

sangat kecil.

4.3.10 Validasi Reviewer

Dari sembilan pengujian yang dilakukan didapatkan dua pengujian yang

menghasilkan nilai kesamaan yang besar. Data hasil pengujian yang terbesar

ditunjukkan kepada reviewer untuk divalidasi. Data yang diberikan adalah data

hasil pengujian 4 yang divalidasi oleh Prof.Dr.Okid Parama Astirin, M.S. dan data

hasil pengujian 2 yang divalidasi oleh Dr. Eddy Heraldy, M.Si. Daftar validasi

(47)

commit to user

33

Table 15. Tabel validasi pengujian yang dilakukan oleh reviewer

No. Pengujian

Reviewer Validasi

Pengujian 2 Prof.Dr. Okid Parama Astirin, M.S. disetujui

Pengujian 4 Dr. Eddy Heraldy, M.Si. disetujui

Maksud dari kata disetujui pada tabel 15 adalah hasil pengujian berupa nilai

kesamaan dan cara pembobotannya dapat diterima oleh reviewer. Lebih lanjut,

Metadata dapat digunakan sebagai tindakan awal dalam mendeteksi tindakan

plagiat dalam dokumen penelitian, yaitu pada tahap perhitungan kesamaan teks

dari dokumen penelitian.Lebih jelasnya, tanggapan dari reviewer dapat dilaihat

dari lampiran b. Hasil pengujian 2 dan pengujian 4 dapat dilihat pada bagian

(48)

commit to user

34

BAB V PENUTUP

5.1Kesimpulan

Pada penelitian ini metadata dimanfaatkan sebagai solusi untuk tindakan awal

dalam mendeteksi secara cepat kesamaan teks pada dokumen penelitian. Hal

ini menunjukkan bahwa jika program yang dibuat pada penelitian ini

digunakan, maka seorang reviewer akan lebih mudah dalam melihat kesamaan

dari banyak dokumen.Persetujuan reviewer menunjukkan bahwa penggunaan

metadata dengan pembobotan dalam menghitung kesamaan dokumen

proposal penelitian dapat diterima sebagai salah satu alat bantu dalam menilai

kesamaan secara cepat sebuah proposal penelitian.

Pemberianbobot yang berbeda besarnya pada setiap metadata dapat menjadi

solusi untuk memberikan tingkat kepentingan yang berbeda beda sesuai

dengan jenis skema.Hal ini menunjukkan bahwa pembobotan dapat

mempengaruhi proporsi nilai sebuah metadata untuk menunjukkan

kepentingannya dalam sebuah dokumen penelitian.

Untuk melihat atau menganalisa nilai kesamaan per metadata dapat dilihat

dari kolom nilai tanpa bobot, sedangkan untuk melihat atau menganalisa nilai

kesamaan dokumen secara keseluruhan dapat dilihat dari nilai terbobot.

5.2Saran

Penerapan algoritma natural language processing akan memperbaiki nilai

kesamaan karena sistem akan memiliki knowledge dari human expert, tidak

sebatas perbandingan teks yang membuat sistem tidak mengerti arti dari kata

kata yang dibandingkan.

Pengembangan algoritma penilaian akan lebih baik jika tidak sebatas

persamaan teks saja tetapi bisa memberi keputusan apakah ada tindakan