SISTEM PENILAIAN OTOMATIS DENGAN METODE COSINE

SIMILARITY PADA UJIAN ESAI BERBAHASA INDONESIA

Proposal Penelitian

Diajukan oleh

Muh. Alfian Asmar

20142105075

kepada

JURUSAN SISTEM INFORMASI

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER

STMIK AKBA

MAKASSAR

April, 2018
 KATA PENGANTAR

Puji syukur tetap tercurah limpahkan kehadirat Allah SWT atas segala

rahmat dan hidayah-Nya sehingga proposal dengan judul “Sistem Penilaian

Otomatis dengan Metode Cosine Similarity pada Ujian Esai Berbahasa

Indonesia” dapat diselesaikan.

Proposal ini disusun dengan tujuan agar dapat meningkatkan kualitas

pendidikan di Indonesia telebih khususnya di kota Makassar ini, dengan

membangun sebuah sistem yang dapat mengevaluasi hasil belajar siswa

secara obyektif, akurat dan cepat sehingga dapat dilakukan perbaikan dan

pengembangan metode pendidikan yang tepat sasaran pula.

Ucapan terima kasih sebesar-besarnya disampaikan kepada seluruh

pihak yang telah membantu dalam penulisan proposal ini, terlbih khusus

kepada para dosen pembimbing yang tak habis kesabarannya untuk terus

memotivasi dan mengajarkan peneliti tentang bagaimana cara menulis

proposal penelitian yang baik dan benar.

Demikian yang dapat disampaikan. Proposal ini tidak lepas dari banyak

kesalahan baik dalam penulisan maupun isinya. Oleh karena itu, kritik dan

saran yang membangun sangat diharapkan agar dapat menjadi bahan

evaluasi dalam penulisan proposal berikutnya.

Makassar, 05 April 2018

Peneliti

ii
 DAFTAR ISI

HALAMAN JUDUL ......................................................................................i

KATA PENGANTAR .................................................................................. ii

DAFTAR ISI .............................................................................................. iii

DAFTAR TABEL ........................................................................................v

DAFTAR GAMBAR ................................................................................... vi

BAB I PENDAHULUAN............................................................................. 1

Latar Belakang Masalah ................................................................. 1

Rumusan Masalah ......................................................................... 4

Tujuan Penelitian ........................................................................... 4

Batasan Masalah ........................................................................... 4

Manfaat Penelitian.......................................................................... 5

Sistematika Penulisan .................................................................... 6

BAB II LANDASAN TEORI ....................................................................... 8

Evaluasi Hasil Belajar ..................................................................... 8

Pengujian Berbasis Komputer ...................................................... 11

Tahapan Pengembangan Sistem dengan Metode Waterfall ......... 15

Sistem Temu Kembali Informasi (Information Retrieval System) .. 17

Text Preprocessing ...................................................................... 20

Metode Pembobotan Dokumen dengan TF-IDF ........................... 25

Metode Pengukuran Similaritas Dokumen .................................... 29

Algoritma Cosine Similarity ........................................................... 29

Perangkat Lunak Pendukung ....................................................... 31

BAB III METODOLOGI PENELITIAN ...................................................... 35

Tinjauan Umum ............................................................................ 35

iii
 Metode Pengumpulan Data .......................................................... 36

Temuan Data ............................................................................... 37

Diagram Blok Model Sistem Usulan ............................................. 38

Tahapan Pengembangan Sistem ................................................. 40

DAFTAR PUSTAKA................................................................................ 52

iv
 DAFTAR TABEL

Tabel 2. 1 Contoh Case Folding ..............................................................21

Tabel 2. 2 Contoh Tokenizing ..................................................................22
Tabel 2. 3 Contoh Filtering.......................................................................23
Tabel 2. 4 Contoh Stemming ...................................................................23
Tabel 2. 5 Perhitungan Term Frequency..................................................26
Tabel 2. 6 Contoh Perhitungan Document Frequency .............................28
Tabel 2. 7 Contoh Perhitungan Inverse Documen Frequency ..................28
Tabel 2. 8 Perhitungan Dot Product .........................................................30
Tabel 2. 9 Perhitungan Panjang Vektor ...................................................30
Tabel 2. 10 Hasil Perhitungan Cosine similarity .......................................31
Tabel 3. 1 Tabel Konversi Nilai ................................................................40
Tabel 3. 2 Analisis Kebutuhan Fungsional ...............................................41
Tabel 3. 3 Tabel User ..............................................................................43
Tabel 3. 4 Tabel Dosen ...........................................................................43
Tabel 3. 5 Tabel Mahasiswa ....................................................................44
Tabel 3. 6 Tabel Mata Kuliah ...................................................................44
Tabel 3. 7 Tabel Ujian ..............................................................................44
Tabel 3. 8 Tabel Soal ...............................................................................45
Tabel 3. 9 Tabel Jawaban ........................................................................45
Tabel 3. 10 Tabel Nilai .............................................................................46

v
 DAFTAR GAMBAR

Gambar 2. 1 Alur Metode Waterfall ..........................................................15

Gambar 2. 2 Alur Text Preprocessing ......................................................20
Gambar 3. 1 Contoh Soal Esai ................................................................37
Gambar 3. 2 Diagram Blok Model Sistem ................................................38
Gambar 3. 3 Dashboard Admin ...............................................................46
Gambar 3. 4 Dashboard Dosen ...............................................................47
Gambar 3. 5 Dashboard Mahasiswa ........................................................48
Gambar 3. 6 Form Tambah Ujian ............................................................49
Gambar 3. 7 Form Kerja Ujian .................................................................49
Gambar 3. 8 Lihat Hasil Ujian ..................................................................50

vi
 BAB I

PENDAHULUAN

Latar Belakang Masalah

Dalam dunia pendidikan, evaluasi hasil belajar merupakan komponen

yang sangat penting dalam proses pembelajaran, karena hasil dari evaluasi

tersebut akan dijadikan sebagai indikator untuk mengukur tingkat

pemahaman pelajar terhadap materi yang telah diberikan. Ada berbagai

macam cara untuk melakukan evaluasi hasil belajar, salah satunya adalah

dengan ujian esai. Ujian esai dianggap sebagai bentuk evaluasi belajar

yang sangat tepat, karena melibatkan kemampuan siswa dalam mengingat,

mengorganisasikan, mengekspresikan dan mengintegrasikan gagasan

yang dimiliki siswa terkait dengan soal esai tersebut.

Ujian esai biasanya banyak diterapkan di pendidikan tingkat tinggi,

sebagaimana yang diterapkan di STMIK AKBA. Akan tetapi, dalam

penerapannya dosen memerlukan waktu yang banyak untuk memeriksa

jawaban esai, semakin banyak jumlah ujian dan banyaknya jumlah

mahasiswa yang mengikuti ujian, maka semakin banyak jumlah ujian yang

dikoreksi oleh dosen. Hal ini menyebabkan kualitas penilaian menurun dan

terkadang penilaian tidak bersifat objektif lagi.

Salah satu kesulitan penilaian ujian esai adalah subjektivitas. Banyak

peneliti menyatakan bahwa sifat subjektif dari penilaian esai menyebabkan

variasi penilaian di kelas yang diberikan oleh penilai manusia yang

1
 2

berbeda, yang dirasakan oleh siswa sebagai sumber ketidakadilan.

Selanjutnya penilaian esai adalah kegiatan memakan waktu (Valenti, Neri,

& Cucchiarelli, 2003).

Beberapa peneitian telah dilakukan untuk mengatasi masalah penilaian

ujian esai dengan membangun sistem penilaian ujian esai secara otomatis.

Para peneliti menerapkan metode yang berbeda-beda dalam masalah ini,

diantaranya ada yang menerapkan algoritma Rabin Karp (Bahri, 2014),

Winnowing (Astutik, Cahyani, & Sophan, 2014) maupun Cosine Similarity

(Fitri & Asyikin, 2015).

Astutik, Cahyani, & Sophan (2014) dalam penelitian mereka yang

berjudul “Sistem Penilaian Esai Otomatis Pada E-Learning Dengan

Algoritma Winnowing” menyatakan bahwa penilaian menggunakan

algoritma winnowing menghasilkan akurasi yang lebih baik pada teks

jawaban yang memiliki struktur kalimat jawaban yang sama dengan kunci

jawaban yaitu sebesar 75–80%. Namun, hasil penilaian degan algoritma ini

sangat dipengaruhi oleh nilai n-gram yang digunakan, semakin kecil nilai n-

gram yang digunakan maka akan semakin tidak peka algoritma winnowing

mengukur kesamaan jawaban dengan kunci jawaban.

Fitri dan Asyikin (2015) pada penelitian mereka yang berjudul “Aplikasi

Penilaian Ujian Esai Otomatis Menggunakan Metode Cosine Similarity”

menyatakan bahwa system penilaian esai otomatis menggunakan metode

cosine similarity berjalan dengan baik untuk ujian esai dalam bahasa

Inggris dengan kesesuaian nilai sistem dengan nilai yang diberikan oleh
 3

pengajar adalah rata-rata 89,48%.

Pramukantoro (2016) dalam penelitiannya yang berjudul “Sistem

penilaian otomatis jawaban esai pada elearning belajardisini.com”

menyatakan bahwa cosine similarity digunakan dalam elearning karena

cosine similarity lebih unggul dalam hal komputasi dibandingkan dengan

LSA (Latent Semantic Analysis). Proses uji performa system disimpulkan

bahwa semakin besar pengguna mengakses sistem, maka semakin besar

CPU Usage yang dibutuhkan. Untuk pengujian page load time dan memory

usage tidak ditemukan perbedaan yang cukup signifikan ketika digunakan

oleh satu pengguna maupun oleh banyak pengguna hanya berada di antara

1,49 % sampai 1,56 %.

Dari beberapa penelitian sebelumnya maka didapatkan sebuah

hipotesa awal bahwa penilaian ujian esai otomatis dapat dilakukan dengan

menggunakan algoritma cosine similarity dengan asumsi bahwa algoritma

ini lebih baik daripada LSA dari sisi performa, dan algoritma ini memberikan

akurasi penilaian yang lebih baik jika dibandingkan dengan algoritma

winnowing. Maka, pada penelitian ini akan dibangun sebuah sistem

penilaian otomatis dengan menggunakan algoritma cosine similarity pada

ujian esai berbahasa Indonesia sebagai solusi dari permasalahan yang

telah dijelaskan sebelumnya.

Peneltian ini bertujuan untuk menerapkan algoritma cosine similarity

pada sistem penilaian ujian esai secara otomatis. Sehingga mengurangi

waktu dosen yang terbuang untuk melakukan penilaian dan memberikan

 4

nilai yang lebih objektif kepada mahasiswa.

Rumusan Masalah

Berdasarkan latar belakang masalah yang telah diuraikan di atas, maka

dapat ditarik rumusan masalah sebagai berikut:

1. Bagaimana membangun sistem untuk melakukan penilaian ujian esai

secara otomatis?

2. Bagaimana implementasi algoritma cosine similarity pada sistem

penilaian ujian esai secara otomatis?

3. Bagaimana pengaruh algoritma cosine similarity pada akurasi penilaian

ujian esai secara otomatis?

Tujuan Penelitian

Adapun tujuan dari dilakukannya penelitian ini adalah:

1. Membangun sistem untuk melakukan penilaian ujian esai secara

otomatis.

2. Mengimplementasikan algoritma cosine similarity pada sistem

penilaian ujian esai secara otomatis.

3. Mengetahui pengaruh algoritma cosine similarity pada akurasi

penilaian ujian esai secara otomatis

Batasan Masalah

Penelitian ini dibatasi pada ruang lingkup masalah-masalah antara lain:

1. Bentuk soal yang digunakan adalah soal esai dengan Bahasa

Indonesia.
 5

2. Sistem yang akan dibuat hanya untuk soal-soal berbahasa Indonesia

yang bertuliskan latin saja, tidak untuk soal eksakta seperti fisika kimia

dan matematika.

3. Soal yang akan diteliti difokuskan pada satu sub pokok materi pada

mata kuliah tata tulis dan komunikasi ilmiah.

4. Penilaian yang dilakukan mengabaikan kata-kata yang memiliki makna

yang sama (sinonim).

5. Penilaian yang dilakukan tidak memperhatikan kesalahan penulisan

kata maupun karakter.

Manfaat Penelitian

Penelitian ini diharapkan dapat memberikan manfaat-manfaat sebagai

berikut:

1. Peneltian ini diharapkan dapat memberikan manfaat secara teoritis,

sekurang-kurangnya dapat memberikan sumbangsih pengetahuan

dalam dunia pendidikan dan teknologi dalam hal penerapan algoritma

cosine similarity.

2. Menambah wawasan penulis tentang penerapan metode cosine

similarity.

3. Menjadi bahan referensi bagi instansi pendidikan guna meningkatkan

kualitas pendidikan dengan evaluasi hasil belajar yang baik dan tepat

mengukur tingkat pemahaman siswa terhadap pelajaran.

 6

Sistematika Penulisan

Untuk membahas permasalahan yang telah disampaikan sebelumnya,

penelitian ini akan ditulis dengan sistematika penulisan sebagai berikut :

Bab I

Pada bab ini akan dibahas mengenai masalah-masalah yang

mendasari penelitian ini dan solusi untuk menyelesaikan masalah-masalah

tersebut. Akan dibahas pula mengenai tujuan dan batasan dari penelitian

ini agar penelitian ini lebih terarah dan tersusun secara sistematis.

Bab II

Pada bab ini akan dibahas secara mendalam tentang teori-teori yang

berkaitan dengan penelitian ini. Teori yang dimaksud seperti penilaian hasil

belajar, sistem penilaian otomatis, dan algoritma cosine similarity.

Bab III

Pada bab ini akan dibahas mengenai objek penelitan secara umum,

Teknik pengumpulan data, data-data yang dibutuhkan dalam penelitian,

perancangan sistem dan bagaimana pegujiannya.

Bab IV

Pada bab ini akan dibahas mengenai hasil penelitian ini yang meliputi

seperti apa sistem penilian otomatis yang dibangun, bagaimana akurasi

penilian dengan menggunakan algoritma cosine similarity dan masalah-

masalah yang terjadi dalam penellitian ini.

Bab V

Pada bab ini akan dibahas tentang kesimpulan dari penelitian yang
 7

sudah dilakukan, apakah sudah memenuhi tujuan yang diharapkan atau

tidak, dan juga saran-saran untuk penelitian kedepannya yang

berhubungan dengan penelitian ini.

 BAB II

LANDASAN TEORI

Evaluasi Hasil Belajar

Penilaian hasil belajar menurut Sudjana (2005) merupakan proses

pemberian nilai terhadap hasil belajar yang dicapai siswa dengan kriteria

tertentu. Hal ini menunjukkan bahwa hasil belajar siswa merupakan objek

penilaian. Penilaian dilakukan dengan menggunakan alat penilaian yang

merupakan alat ukur.

Fungsi penilaian menurut Sudjana (2005) adalah alat untuk

mengetahui tercapai atau tidaknya tujuan instruksional, umpan balik bagi

perbaikan proses belajar mengajar dan dasar dalam penyusunan laporan

kemajuan belajar siswa kepada orang tuanya. Fungsi penilaian menurut

Jihad dan Haris (2008) sebagai pemantauan kinerja komponen-komponen

kegiatan proses belajar mengajar dalam mencapai tujuan yang diharapkan

dalam proses belajar mengajar. Fungsi penilaian dapat disimpulkan untuk

memantau dan mengetahui perkembangan komponen dalam kegiatan

belajar dan mengajar sehingga dapat diambil tindakan selanjutnya sesuai

dengan tujuan yang ditentukan.

Tujuan penilaian menurut Sudjana (2005) adalah untuk: 1)

mendeskripsikan kecakapan belajar siswa, 2) mengetahui keberhasilan

proses pendidikan dan pengajaran di sekolah, 3) menentukan tindak lanjut

hasil penilaian, 4) memberikan pertanggungjawaban dari pihak sekolah ke

8
 9

pihak yang berkepentingan. Kecakapan belajar siswa yaitu untuk

mengetahui kelebihan dan kekurangan siswa pada mata pelajaran dan level

kemampuan siswa dibandingkan dengan siswa lain. Keberhasilan proses

pendidikan dan pengajaran di sekolah yaitu untuk mengetahui keefektifan

komponen pendidikan dalam mencapai tujuan yang telah ditentukan.

Tindak lanjut hasil penilaian yaitu tindakan berupa penyempurnaan proses

belajar mengajar maupun merubah hal-hal yang dirasa kurang tepat.

Pertanggungjawaban kepada pihak yang berkepentingan yaitu berupa

laporan keberhasilan pendidikan maupun hambatan yang terjadi dalam

proses pendidikan.

1. Penilaian Non Tes

Penggunaan non tes untuk penilaian proses dan hasil belajar mengajar

masih terbatas dibandingkan dengan tes. Guru umumnya lebih memilih tes

untuk menilai proses dan hasil belajar mengajar karena lebih mudah untuk

dibuat dan lebih praktis. Penilaian non tes terdiri dari observasi,

wawancara, skala, sosiometri, studi kasus dan check list (Sudjana, 2005).

Kelebihan non tes adalah kemampuannya untuk menilai dari berbagi aspek

kognitif, afektif, maupun psikomotorik.

2. Penilaian Tes

Penilain tes terdiri dari tes objektif dan tes subjektif. Tes merupakan

pertanyaan untuk mendapat jawaban dari siswa dalam bentuk lisan, tulisan

atau tindakan (Sudjana, 2005). Ranah yang diukur menggunakan tes

umumnya adalah ranah kognitif atau pengetahuan. Tes sebenarnya juga

 10

bisa untuk mengukur ranah afektif dan psikomotorik.

a) Tes Obyektif
Tes objektif merupakan tes yang banyak digunakan dalam menilai hasil

belajar. Tes objektif dipilih karena cakupan materi pelajaran yang luas dan

mudah dalam melakukan penilaian. Bentuk soal objektif menurut Sudjana

(2005, hal. 44) antara lain: 1) jawaban singkat, 2) benar-salah, 3)

menjodohkan, 4) pilihan ganda. Bentuk tes selain jawaban singkat dalam

soal telah tersedia kemungkinan jawaban yang dapat dipilih.

b) Tes Subyektif (Tes Esai)

Tes esai merupakan salah satu model tes yang paling tua dan sering

digunakan dalam evaluasi pembelajaran. Menurut Sudjana (2005) tes esai

merupakan pertanyaan yang menuntut siswa menjawabnya dalam bentuk

menguraikan, menjelaskan, mendiskusikan membandingkan, memberikan

alasan dan bentuk lain yang sejenis sesuai dengan tuntutan pertanyaan

dengan menggunakan kata dan bahasa sendiri.

Kelebihan model tes esai menurut Sudjana (2005) adalah sebagai

berikut: a) dapat mengukur proses mental yang tinggi atau aspek kognitif

tingkat tinggi; b) dapat mengembangkan kemampuan berbahasa, baik lisan

maupun tulisan dengan baik dan benar sesuai dengan kaidah-kaidah

bahasa; c) dapat melatih kemampuan berpikir teratur atau penalaran, yakni

berpikir logis, analitis dan sistematis; d) mengembangkan kemampuan

pemecahan masalah (problem solving); e) adanya keuntungan teknis

seperti mudah dalam penyusunan soal, guru dapat langsung melihat

proses berpikir siswa.

 11

Kelemahan soal tes esai antara lain: a) sampel tes sangat terbatas

sebab dengan tes ini tidak mungkin dapat menguji semua bahan; b)

sifatnya sangat subjektif, baik dalam menanyakan, membuat pertanyaan

maupun cara memeriksanya; c) tes ini biasanya kurang reliabel,

mengungkap aspek yang terbatas, pemeriksaannya memerlukan waktu

lama.

Pengujian Berbasis Komputer

Penilaian dengan menggunakan komputer digunakan untuk

menggantikan PPT (paper-pencil test). Menurut Hadi (2013) pemanfaatan

komputer untuk melakukan pengujian disebut dengan Computerized Based

Testing (CBT), yaitu secara prinsip sama dengan PPT tetapi soal disajikan

dengan bantuan komputer. Penyajian dengan bantuan komputer ini

memungkinkan dilakukan pengacakan soal yang diberikan, sehingga

kesempatan peserta tes mencontek menjadi lebih kecil.

Pengujian berbasis komputer menurut Rudner (gmac.com: 2012)

dibagi menjadi beberapa jenis, antara lain: computerized based

testing(CBT), fixed form computerized based testing, linear on the fly test

(LOFT), computerized adaptive testing (CAT). Tempat penyimpanan butir

soal dalam CBT dibagi menjadi: 1) dalam komputer individu, 2) dalam

komputer server melalui local area network (LAN), 3) dalam komputer

server melalui internet.

 12

1. Model Computerized Based Testing

Computerized based testing merupakan model paling simpel dari

pengujian berbasis komputer. Tes (CBT) dikelola dan umumnya penilaian

dilakukan secara elektronik. Berbagai tipe pertanyaan dapat ditampilkan

melalui layar komputer dan merupakan konversi dari tes dengan

menggunakan media kertas. Model pertanyaan berupa pertanyaan objektif

maupun subjektif. Pertanyaan mungkin disimpan pada komputer individu,

local area network (LAN), atau pada komputer server luar dengan media

komunikasi internet. CBT memungkinkan tes dapat dikelola dan dinilai lebih

akurat, cepat dan lebih aman dari tes menggunakan kertas.

2. Model Fixed Form Computerized Based Testing

Fixed form CBT merupakan tes dimana semua peserta tes memperoleh

soal yang sama. Fixed form CBT merupakan model paper and pencil (PPT)

test yang dalam penyajiannya diubah menggunakan bantuan komputer.

Pola penyajian tes fixed form CBT yang membedakannya dengan PPT

adalah dengan perubahan urutan penyajian butir soal kepada peserta tes.

Kesempatan menyontek pada model fixed form CBT cukup besar karena

butir soal secara isi sama. Kelebihan fixed form CBT butir soal yang

dikembangkan relatif lebih sedikit.

3. Model Linear On the Fly Test (LOFT)

LOFT merupakan pengembangan lebih lanjut dari CBT. Pada LOFT

komputer memiliki koleksi butir soal yang berjumlah banyak dan bervariasi

dari tingkat kesulitan butir soal. Peserta tes pada model LOFT menerima
 13

butir soal yang bervariasi dan berbeda pada setiap peserta tes. Model

LOFT butir soal yang disajikan walaupun berbeda secara isi namun secara

karakteristik statistik memiliki bobot yang sama. Kelebihan tes ini yaitu

peserta tes memiliki kesempatan menyontek yang kecil karena butir soal

yang berbeda. Kelemahan LOFT yaitu butir soal yang dikembangkan untuk

bank soal berjumlah banyak.

4. Model Computerized Adaptive Testing (CAT)

Pengujian komputer yang lebih maju adalah Computerized Adaptive

Testing (CAT). CAT memanfaatkan kemampuan komputasi dari komputer

untuk memilih butir soal yang tepat. Butir soal yang diberikan pada peserta

tes disesuaikan dengan tingkat kemampuan peserta tes. Tingkat

kemampuan peserta tes ini dilihat dengan data respon tiap butir soal.

peserta tes jika menjawab butir soal dengan benar maka tingkat kesulitan

butir soal dinaikkan, sebaliknya jika menjawab butir soal tidak tepat maka

tingkat kesulitan butir diturunkan. Peserta tes model CAT akan lebih aman

dari kemungkinan menyontek karena butir soal berbeda. CAT memiliki

kelemahan yaitu lebih mahal dalam pengembangannya dan butir soal yang

dikembangkan untuk bank soal berjumlah banyak.

5. Pengembangan Tes Esai Berbantuan Komputer

Tes esai berbantuan komputer merupakan bentuk dari CBT yang

dikembangkan peneliti. Tes esai menggunakan bantuan komputer untuk

menyajikan tes dan menilai tes. Tes esai berbantuan komputer mempunyai

dua fungsi utama yaitu untuk membuat soal esai dan menilai jawaban esai
 14

soal. Jawaban esai dalam melakukan koreksinya menggunakan metode

string similarity yaitu dengan membandingkan jawaban soal dengan

jawaban yang ada pada bank soal.

Software Model Tes Esai Berbantuan Komputer dalam memberi skor

berdasarkan perbandingan text kunci jawaban dan jawaban. Perbandingan

text menurut Gomaa dan Fahmy (2012) dibagi menjadi dua yaitu: 1) String

based Similarity, merupakan penentuan kesamaan kata berdasarkan

urutan huruf dan komposisi huruf, String based similarity dibagi menjadi 13

jenis yang terdiri dari 6 character based distance measures dan 7 term

based distance measures; 2) Corpus Based Similarity, merupakan

penentuan persamaan kalimat dengan mencari sinonim dari tiap kata dari

database (library).

Character based distance measures diantaranya: 1) Damerau-

Lavenshtein distance, 2) Jaro algorithm, 3) Jaro-Winkler distance, 4)

Needleman-Wunsch algorithm, 5) Smith-Waterman algorithm, 6) N-Gram

similarity algorithm. Term based distance measures diantarnya: 1) Block

Distance, 2) Cosine similarity, 3) Dice’s coefficient,4) Euclideandistance, 5)

Jaccard similarity, 6) Matching coefficient, 7) Overlap coefficient. Corpus

based similarity diantaranya: 1) Latent semantic analysis, 2) Explicit

semantic analysis, 3) Pointwise mutual information, 4) Extracting DIS

tributionally similar word using CO-occurrences (DISCO).

 15

Tahapan Pengembangan Sistem dengan Metode Waterfall

Metode waterfall (air terjun) memacu tim pengembang untuk merinci

apa yang seharusnya perangkat lunak lakukan (mengumpulkan dan

menentukan kebutuhan sistem) sebelum sistem tersebut dikembangkan.

Kemudian, model ini memungkinkan pemecahan misi pengembangan yang

rumit menjadi beberapa langkah logis (desain, kode, pengujian, dan

seterusnya) denga beberapa langkah yang pada akhirnya akan menjadi

produk akhir yang siap pakai (Simarmata, 2010).

Gambar 2. 1 Alur Metode Waterfall

Dalam pengembangannya, metode waterfall memiliki beberapa

tahapan yang berurut yaitu: Requirement (analisis kebutuhan), System

design (desain sistem), Coding (pengkodean), Testing (pengujian),

Penerapan Program dan pemeliharaan. Tahapan tahapan dari metode

waterfall akan dijelaskan di bawah ini:

 16

1. Requirement Analysis

Tahap ini pengembang sistem melakukan komunikasi dengan

pengguna yang bertujuan untuk memahami perangkat lunak yang

diharapkan oleh pengguna dan batasan perangkat lunak tersebut.

Informasi ini biasanya dapat diperoleh melalui wawancara, diskusi atau

survei langsung. Informasi dianalisis untuk mendapatkan data yang

dibutuhkan oleh pengguna.

2. System Design

Spesifikasi kebutuhan dari tahap sebelumnya akan dipelajari dalam

fase ini dan desain sistem disiapkan. Desain Sistem membantu dalam

menentukan perangkat keras(hardware) dan sistem persyaratan dan juga

membantu dalam mendefinisikan arsitektur sistem secara keseluruhan.

3. Implementation

Pada tahap ini, sistem pertama kali dikembangkan di program kecil

yang disebut unit, yang terintegrasi dalam tahap selanjutnya. Setiap unit

dikembangkan dan diuji untuk fungsionalitas yang disebut sebagai unit

testing.

4. Integration & Testing

Seluruh unit yang dikembangkan dalam tahap implementasi

diintegrasikan ke dalam sistem setelah pengujian yang dilakukan masing-

masing unit. Setelah integrasi seluruh sistem diuji untuk mengecek setiap

kegagalan maupun kesalahan.

 17

5. Operation & Maintenance

Tahap akhir dalam model waterfall adalah operationa & maintenance.

Perangkat lunak yang sudah jadi dijalankan serta dilakukan pemeliharaan.

Pemeliharaan termasuk dalam memperbaiki kesalahan yang tidak

ditemukan pada langkah sebelumnya. Perbaikan implementasi unit sistem

dan peningkatan jasa sistem sebagai kebutuhan baru.

Kelebihan menggunakan metode air terjun (waterfall) adalah metode

ini memungkinkan untuk departementalisasi dan kontrol. Proses

pengembangan model fase one by one, sehingga meminimalisir kesalahan

yang mungkin akan terjadi. Pengembangan bergerak dari konsep, yaitu

melalui desain, implementasi, pengujian, instalasi, penyelesaian masalah,

dan berakhir di operasi dan pemeliharaan (Galandi, 2016).

Sistem Temu Kembali Informasi (Information Retrieval

System)

Pada dasarnya sistem temu kembali informasi adalah suatu proses

untuk mengidentifikasi, kemudian memanggil (retrieve) suatu dokumen dari

suatu simpanan (file), sebagai jawaban atas pemintaan informasi.

Pengertian lain menyatakan bahwa sistem temu kembali informasi adalah

proses yang berhubungan dengan representasi, penyimpanan, pencarian

dengan pemanggilan informasi yang relevan dengan kebutuhan informasi

yang diinginkan pengguna (Ingwersen, 1992, hal. 49).Pendapat ini

menunjukan bahwa pada sistem temu kembali informasi terkandung

sejumlah kegiatan yang meliputi proses penyimpanan, penyediaan

 18

representasi, identifikasi serta pencarian atau penelusuran dokumen yang

relevan pada suatu database, dalam rangka memenuhi kebutuhan

informasi dari pengguna.

Sistem temu kembali informasi merupakan suatu sistem yang

menemukan (retrieve) informasi yang sesuai dengan kebutuhan user dari

kumpulan informasi secara otomatis. Prinsip kerja sistem temu kembali

informasi jika ada sebuah kumpulan dokumen dan seorang user yang

memformulasikan sebuah pertanyaan (request atau query). Jawaban dari

pertanyaan tersebut adalah sekumpulan dokumen yang relevan dan

membuang dokumen yang tidak relevan (Salton, 1989).

Sistem temu kembali informasi akan mengambil salah satu dari

kemungkinan tersebut. Sistem temu kembali informasi dibagi dalam dua

komponen utama yaitu sistem pengindeksan (indexing) menghasilkan

basis data sistem dan temu kembali merupakan gabungan dari user

interface dan look-up-table. Sistem temu kembali informasi didesain untuk

menemukan dokumen atau informasi yang diperlukan oleh user (Amin,

2012).

Dari sekian banyak sistem temu kembali yang ada,salah satu

diantaranya adalah sistem temu kembali informasi berbasis teks atau

tekstual. Sistem temu kembali tekstual adalah salah satu dari berbagai

sistem yang mengelola penyimpanan teks secara terkomputerisasi,

kemudian temu kembali informasinya (Rownlands, 1986). Dalam sistem

temu kembali tekstual, fokus utama ialah terletak pada penyimpanan dan
 19

temu kembali informasi berbasis teks, dan bukan data numerik, tabulasi,

atau data grafis semata. Tetapi dalam kenyataannya, dokumen- dokumen

yang ada saat ini jarang yang hanya terdiri dari informasi berbasis teks

semata, melainkan dokumen yang berupa gabungan dari numerik, tabel,

grafis, image dan sebagainya dengan teks.

Rowlands (1986) mengidentifikasikan ada empat fungsi yang paling

penting, yang bisa terbukti dalam segala jenis sistem temu kembali

informasi tekstual yang baik, yaitu bahwa suatu sistem temu kembali

informasi tekstual yang baik, seharusnya dapat untuk: (a) menerima dan

menyusun berbagai teks dari berbagai sumber; (b) menetapkan

penyimpanan yang sesuai untuk semua teks, (c)

mendapatkan/memperoleh informasi yang spesifik dari teks yang tersimpan

dalam merespon queries yang diberikan; (d) memproses teks yang

didapatkan, dan menyajikannya kepada pengguna dalam format yang

dapat diterima (acceptable).

Model Information Retrieval adalah model yang digunakan untuk

melakukan pencocokkan antara term-term dari query dengan term-term

dalam document collection, model yang terdapat dalam Information

Retrieval terbagi dalam 3 model besar, yaitu:

1. Set-theoritic Model, model yang merepresentasikan dokumen sebagai

himpunan kata atau frase. Contoh dari model ini adalah Standard

Boolean Model dan Extended Boolean Model.

2. Algebratic Model, model ini merepresentasikan dokumen dan query

 20

sebagai vector atau matriks similarity antara vektor dokumen dan

vektor query yang direpresentasikan sebagai sebuah nilai scalar.

Contoh model ini adalah Vector Space Model dan Latent Semantic

Indexing.

3. Probabilistic Model, model ini memperlakukan proses pengembalian

dokumen sebagi probabilistic inference. Contoh model ini adalah

penerapan teorama bayes dalam model probabilistik.

Text Preprocessing

Text Preprocessing adalah suatu tahap untuk mengolah sebuah teks

mentah menjadi kata-kata yang telah siap dihitung bobot katanya. Proses-

proses dalam Text Preprocessing yaitu case folding, tokenizing, filtering,

dan stemming sebagaimana pada gambar 2.2 di bawah ini:

Case Folding

Tokenizing

Filtering

Stemming

Gambar 2. 2 Alur Text Preprocessing

Berikut ini adalah penjelasan dari masing-masing alurnya:

 21

1. Case Folding

Tidak semua dokumen konsisten dalam penggunaan huruf kapital.

Oleh karena itu, peran Case Folding dibutuhkan dalam mengkonversi

keseluruhan teks dalam dokumen menjadi suatu bentuk standar (biasanya

huruf kecil atau lowercase). Case folding adalah proses mengubah semua

isi dokumen menjadi karakter dengan huruf kecil dan membuang semua

karakter selain a-z. Jika terdapat tanda baca, bilangan numerik dan symbol

semua akan dihilangkan dan dianggap sebagai delimeter. Contohnya

terlihat pada tabel:

Tabel 2. 1 Contoh Case Folding

Kalimat Hasil case folding
- Membuang sampah - membuang sampah
sembarangan dapat sembarangan dapat
menyebabkan banjir. Aliran air menyebabkan banjir. aliran air
akan tersumbat karena sampah. akan tersumbat karena sampah.
Banjir merugikan manusia. banjir merugikan manusia

2. Tokenizing

Tokenizing adalah suatu proses untuk mengubah bentuk kalimat

menjadi kata-kata tunggal. Pemotongan kalimat berdasarkan delimeter

yang menyusunnya, yaitu spasi (“ “) dan tanda baca, seperti tanda titik (.),

tanda koma (,), tanda seru (!), dan tanda Tanya (?). Proses ini bertujuan

agar nantinya dapat melakukan proses stemming. Contoh hasil tokenizing

dapat dilihat pada tabel 2.2.

 22

Tabel 2. 2 Contoh Tokenizing

Hasil Case Folding Hasil Tokenizing
- membuang sampah - membuang
sembarangan dapat - sampah
menyebabkan banjir - sembarangan
- dapat
- menyebabkan banjir

3. Filtering

Pada proses filtering yang dilakukan yaitu penghapusan stopword.

Stopword merupakan kata-kata yang tidak memiliki makna atau kata yang

kurang berarti dan selalu muncul dalam kumpulan kata-kata. Proses

pembuangan kata-kata yang tidak penting bisa dilakukan dengan

mengecek pada kamus stopword. Jika sebuah kata terdapat pada kamus

stopword maka akan dibuang atau dihapus. Seandainya stopword tidak

dilhilangkan maka stopword akan memiliki bobot yang besar karena sering

muncul dalam teks, sehingga akan mempengaruhi hasil penilaian.

Stopword dapat berupa kata penghubung, kata ganti, preposisi, dan lain-

lain. Contoh kata yang termasuk stopword adalah : dia, dan, antara, yang,

akan, demi, karena, atau, bahwa, bila, kecuali, oleh, dan lain-lain. Contoh

filtering dapat dilihat pada tabel 2.3

 23

Tabel 2. 3 Contoh Filtering

Teks Hasil filtering
- membuang sampah - membuang sampah
sembarangan dapat sembarangan meyebabkan
menyebabkan banjir banjir

4. Stemming

Proses selanjutnya yaitu stemming, stemming adalah proses

megembalikan suatu kata ke bentuk akarnya (root word) dengan aturan-

aturan tertentu, sehingga setiap kata memilki representasi yang sasma.

Stemming dalam penelitian ini akan menggunakan Algoritma Nazief &

Adriani. Algoritma ini dikembangkan berdasarkan morfologi Bahasa

Indonesia dengan mengelompokkan imbuhan menjadi awalan (prefix),

akhiran (suffix), dan gabungan (confixes). Contoh Stemming terlihat pada

tabel:

Tabel 2. 4 Contoh Stemming

Hasil Filtering Hasil Stemming
- membuang sampah - buang sampah sembarang
sembarangan dapat sebab banjir
menyebabkan banjir

Algoritma Nazief & Adriani yang dibuat oleh Bobby Nazief dan Mirna

Adriani ini memiliki tahap-tahap sebagai berikut:

a. Pertama cari kata yang akan diistem dalam kamus kata dasar. Jika
 24

ditemukan maka diasumsikan kata adalah root word. Maka algoritma

berhenti.

b. Inflection Suffixes (“-lah”, “-kah”, “-ku”, “-mu”, atau “-nya”) dibuang. Jika

berupa particles (“-lah”, “-kah”, “-tah” atau “-pun”) maka langkah ini

diulangi lagi untuk menghapus Possesive Pronouns (“-ku”, “-mu”, atau

“-nya”), jika ada.

c. Hapus Derivation Suffixes (“-i”, “-an” atau “-kan”). Jika kata ditemukan

di kamus, maka algoritma berhenti. Jika tidak maka ke langkah C1.

1) Jika “-an” telah dihapus dan huruf terakhir dari kata tersebut adalah

“-k”, maka “-k” juga ikut dihapus. Jika kata tersebut ditemukan dalam

kamus maka algoritma berhenti. Jika tidak ditemukan maka lakukan

langkah C2.

2) Akhiran yang dihapus (“-i”, “-an” atau “-kan”) dikembalikan, lanjut ke

langkah D.

d. Hapus Derivation Prefix. Jika pada langkah 3 ada sufiks yang dihapus

maka pergi ke langkah D1, jika tidak pergi ke langkah D2.

1) Periksa tabel kombinasi awalan-akhiran yang tidak diijinkan. Jika

ditemukan maka algoritma berhenti, jika tidak pergi ke langkah D2

2) For i = 1 to 3, tentukan tipe awalan kemudian hapus awalan. Jika

root word belum juga ditemukan lakukan langkah 5, jika sudah maka

algoritma berhenti. Catatan: jika awalan kedua sama dengan awalan

pertama algoritma berhenti.

e. Melakukan Recoding.
 25

f. Jika semua langkah telah selesai tetapi tidak juga berhasil maka kata

awal diasumsikan sebagai root word. Proses selesai.

Metode Pembobotan Dokumen dengan TF-IDF

Term Frequency merupakan frekuensi dokumen berdasarkan

kemunculan sebuah term (istilah) dalam dokumen yang bersangkutan.

Semakin sering sebuah kata muncul, semakin tinggi bobot dokumen untuk

istilah tersebut, begitu pula sebaliknya (Wahib, Pasnur, Santika, & Arifin,

2015).

Pada Term Frequency, terdapat beberapa jenis formula yang dapat

digunakan:

1. TF biner (binary TF), hanya memperhatikan apakah suatu kata atau

term ada atau tidak ada dalam dokumen, jika ada diberi nilai satu (1),

dan jika tidak diberi nilai nol (0).

2. TF mumi (raw TF), nilai TF diberikan berdasarkan jumlah kemunculan

suatu term di dokumen. Contohnya jika muncul delapan (8) kali maka

kata tersebut akan bernilai delapan (8).

3. TF logaritmik, hal ini untuk menhindari dominansi dokumen yang

mengandung sedikit term dalam query, namum mempunyai frekuensi

tinggi.

𝑇𝐹 = 1 + log⁡(𝑡𝑓) ............................................................................ (2.1)

4. TF normalisasi, menggunakan perbandingan antara frekuensi sebuah

term dengan nilai maksimum dari keseluruhan atau kumpulan frekuensi

term yang ada pada suatu dokumen.

 26

𝑡𝑓
𝑇𝐹 = 0.5 + 0.5⁡𝑥⁡ [max 𝑡𝑓]................................................................. (2.2)

Adapun contoh perhitungan term frequency sebagai berikut:

D1 = Saya sedang belajar menghitung tf.idf.

D2 = Tf.idf merupakan frekuensi kemunculan term pada dokumen.

D3 = Langkah awal perhitungan tersebut adalah menghitung tf,

kemudian menghitung df dan idf.

D4 = Langkah terakhir menghitung nilai tf.idf.

D5 = Mari kita belajar.

Tabel 2. 5 Perhitungan Term Frequency

Term (t) D1 D2 D3 D4 D5
Akhir 0 0 0 1 0
Awal 0 0 1 0 0
Belajar 1 0 0 0 1
Dokumen 0 1 0 0 0
Frekuensi 0 1 0 0 0
Hitung 1 0 3 1 0
Idf 1 1 1 1 0
Kita 0 0 0 0 1
Langka 0 0 1 1 0
Muncul 0 1 0 0 0
Saya 1 0 0 0 0
Term 0 1 0 0 0
Tf 1 1 1 1 0

Inverse Document Frequency merupakan metode pembobotan yang

dipadukan dengan Term Frequency yang menghitung banyaknya istilah

tertentu dalam keseluruhan dokumen. Metode Inverse Document

Frequency merupakan perhitungan dari bagaimana term di distribusikan

secara pada koleksi dokumen yang bersangkutan (Ashari, 2017).

 27

Inverse Document Frequency menunjukkan hubungan ketersediaan

term dalam seluruh dokumen. Semakin sedikit jumlah dokumen yang

mengandung term yang dimaksud, maka nilai IDF semakin besar.

Sedangkan untuk IDF dihitung dengan sebuah term menggunakan formula

sebagai berikut:
𝐷
𝐼𝐷𝐹𝑗 = 𝑙𝑜𝑔 𝑑𝑓 ................................................................................. (2.3)
𝑗

Dimana:

D : jumlah semua dokumen

dfj : jumlah dokumen yang mengandung term

Adapun contoh perhitungan Inverse Document Frequency adalah

sebagai berikut:

1. Menhitung Document Frequency (DF)

Document Frequency (df) adalah banyaknya dokumen dimana suatu

term (t) muncul. Contoh: Dari soal yang sama pada menghitung tf, tentukan

nilai df.
 28

Tabel 2. 6 Contoh Perhitungan Document Frequency

Term (t) D1
Akhir 1
Awal 1
Belajar 2
Dokumen 1
Frekuensi 1
Hitung 5
Idf 4
Kita 1
Langka 2
Muncul 1
Saya 1
Term 1
Tf 4

2. Menghitung Inverse Document Frequency (IDF)

𝐷
𝐼𝐷𝐹𝑗 = 𝑙𝑜𝑔10 𝑑𝑓 ............................................................................ (2.4)
𝑗

Contoh dari soal yang sama pada menghitung df, hitung nilai idf.

Tabel 2. 7 Contoh Perhitungan Inverse Documen Frequency

Term (t) D1 D1
Akhir 1 Log (4/1)=0.602
Awal 1 Log (4/1)=0.602
Belajar 2 Log (4/2)=0.301
Dokumen 1 Log (4/1)=0.602
Frekuensi 1 Log (4/1)=0.602
Hitung 5 Log (4/5)=0.097
Idf 4 Log (4/4)=0
Kita 1 Log (4/1)=0.602
Langka 2 Log (4/2)=0.301
Muncul 1 Log (4/1)=0.602
Saya 1 Log (4/1)=0.602
Term 1 Log (4/1)=0.602
Tf 4 Log (4/4)=0
 29

Metode Pengukuran Similaritas Dokumen

Pengukuran similaritas teks atau dokumen menurut Gomaa dan Fahmy

(2013) dibagi menjadi dua yaitu:

1) String based Similarity, merupakan penentuan kesamaan kata

berdasarkan urutan huruf dan komposisi huruf, String based similarity

dibagi menjadi 13 jenis yang terdiri dari 6 character based distance

measures dan 7 term based distance measures. Character based distance

measures diantaranya: 1) Damerau-Lavenshtein distance, 2) Jaro

algorithm, 3) Jaro-Winkler distance, 4) Needleman-Wunsch algorithm, 5)

Smith-Waterman algorithm, 6) N-Gram similarity algorithm. Term based

distance measures diantarnya: 1) Block Distance, 2) Cosine similarity, 3)

Dice’s coefficient,4) Euclideandistance, 5) Jaccard similarity, 6) Matching

coefficient, 7) Overlap coefficient.

2) Corpus Based Similarity, merupakan penentuan persamaan kalimat

dengan mencari sinonim dari tiap kata dari database (library). Corpus

based similarity diantaranya: 1) Latent semantic analysis, 2) Explicit

semantic analysis, 3) Pointwise mutual information, 4) Extracting DIS

tributionally similar word using CO-occurrences (DISCO).

Algoritma Cosine Similarity

Menurut Manning, Ragahvan, dan Schutze (2009) cosine similarity

digunakan untuk mengukur kedekatan antara dua vektor. Cosine similarity

merupakan hasil dot product kedua vektor tersebut yang dinormalisasikan

dengan dibagi dengan Eucledian Distance antar kedua vektor tersebut.

 30

Rumus yang didapat adalah sebagai berikut:

𝑑𝑗 .𝑞 ∑𝑁
𝑖=1 𝜔𝑖 ,𝑗𝜔𝑖 ,𝑞
𝑆𝑖𝑚(𝑑𝑗 , 𝑞) = ||𝑑 = 𝑖𝑚(𝑑𝑗 , 𝑞) = ....................... (2.5)
||||𝑞||
𝑗 √∑𝑁 2 𝑁 2
𝑖=1 𝜔 𝑗√∑𝑖=1 𝜔 𝑞

Keterangan:

Dj = Dokumen j

q = Query Dokumen

√∑𝑁 2
𝑖=1 𝜔 𝑗 = Jumlah bobot kata I pada dokumen j

√∑𝑁 2
𝑖=1 𝜔 𝑞 = JUmlah bobot kata I pada dokumen query

Tabel 2. 8 Perhitungan Dot Product

WD*Wdi
D1 D2 D3 D4 D5
0,021316 0 0 0,021316 0,021316
0 0,004356 0,004356 0,004356 0,004356
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
0,021316 0,004356 0,004356 0,02173 0,02173

Tabel perhitungan hasil dot product antara kedua dokumen Q dan Dj

merupakan hasil penjumlahan dari perkalian query dan dokumen.

Tabel 2. 9 Perhitungan Panjang Vektor

Panjang Vektor
Q1 D1 D2 D3 D4 D5
0,0213 0,0213 0 0 0,0213 0,0213
0,0043 0 0,0043 0,0043 0,0043 0,0043
0 0,714 0 0 0 0
0 0,714 0 0 0 0
0 0,714 0 0 0 0
0,02173 1,23686 0,0043 0,0043 0,02173 0,02173

Tabel perhitungan panjang vektor merupakan hasil penjumlahan nilai

 31

kuadrat pembobotan setiap term dalam setiap dokumen.

Maka perhitungan kemiripan antara Q dan Dj dalam rumus cosine

similarity sebagai berikut:

Sim (Q,D1) = 0,0213/(1,2368*0,0217) = 0,0213/0,0268 = 0,7947

Sim (Q,D2) = 0,0043/(0,0043*0,0217) = 0,0043 /9,3310 = 0,0004

Sim (Q,D3) = 0,0043/(0,0043*0,0217) = 0,0043 /9,3310 = 0,0004

Sim (Q,D4) = 0,0256/(0,0217*0,0217) = 0,0256 /0,0004 = 64

Sim (Q,D5) = 0,0256/(0,0217*0,0217) = 0,0256 /0,0004 = 64

Tabel 2. 10 Hasil Perhitungan Cosine similarity

Urutan Dokumen Nilai Cosine similarity
1 D4 64
2 D5 64
3 D1 0,7947
4 D2 0,0004
5 D3 0,0004

Jadi tingkat kemiripan dokumen berada pada D4 dan D5 = 64

Perangkat Lunak Pendukung

Adapun perangkat-perangkat lunak yang digunakan akan diuraikan

pada di bawah ini:

1. PHP (PHP: Hypertext Preprocessor)

Menurut Arief (2011) PHP adalah bahasa server-side scripting yang

menyatu dengan HTML (Hypertext Markup Language) untuk membuat

halaman web yang dinamis. Karena PHP merupakan server-side scripting

maka sintaks dan perintah-perintah PHP akan dieksekusi di server

kemudian hasilnya dikirimkan ke browser ke dalam format HTML. Dengan

 32

demikian kode program yang ditulis dalam PHP tidak akan terlihat oleh user

sehingga keamanan halaman web lebih terjamin. PHP dirancang untuk

membentuk halaman web yang dinamis, yaitu halaman web yang dapat

membentuk suatu tampilan berdasarkan permintaan terkini, seperti

meampilkan isi basis data ke halaman web.

PHP termasuk ke dalam Open Source Product, sehingga source code

PHP dapat diubah dan didistribusikan secara bebas. Versi terbaru PHP

dapat diunduh secara gratis di situs resmi PHP:http://www.php.net. PHP

juga dapat berjalan pada berbagai web server seperti IIS (Internet

Information Server), PWS (Personal Web Server), Apache, Nginx. PHP

juga memiliki kemampuan lintas platform, artinya PHP dapat berjalan di

banyak sistem operasi yang beredar saat ini, di antaranya Windows, Linux,

Mac OS, dan Solaris. PHP dapat dibangun sebagai modul pada web server

Apache dan sebagai binary yang dapat berjalan sebaga CGI (Common

Gateway Interface).

Salah satu keunggulan yang dimiliki oleh PHP adalah kemampuannya

untuk melakukan koneksi ke berbagai macam sofware sistem manajemen

basis data/Database Manaegement Systems (DBMS), sehigga dapat

menciptakan suatu halaman web yang dinamis. PHP mempunyai

konektifitas yang baik dena beberapa DBMS antara lain Oracle, Sybase,

mSQL, MySQL, PostgreSQL, dan tak terkecuali semua database ber-

interface ODBC. PHP juga memiliki integrasi denga beberapa library

eksternal yang dapat membuat Anda melakukan segalanya dari dokume

 33

PDF hingga mem-parse XML. PHP mendukung komunikasi engan layanan

lain melalui protokol IMAP, SNMP, NNTP, POP3 atau bahkan HTTP. Bila

PHP berada dalam halaman web anda, maka tidak lagi dibutuhkan

pengemangan lingkungan khusus atau direktori khusus. Hampir seluruh

aplikasi berbasis web dapat dibuat denga PHP. Namun kekuatan utama

adalah konektifitas basis data denga web. Dengan kemampuan ini kita

akan mempunyai suatu sistem basis data yang dapat diakses dari web.

2. MySQL

Nugroho (2004) mengemukakan, MySQL (My Structure Query

Language) atau yang biasa disebut “mai-se-kuel” adalah sebuah program

pembuat database yang bersifat open-source, artinya siapa saja boleh

menggunakannya dan tidak dicekal.

MySQL sebenarnya produk yang berjalan pada platform Linux, Karena

sifatnya yang open source, MySQL dapat berjalan pada semua platform

baik Windows maupun Linux. Selain itu, MySQL juga merupakan program

pengakses database yang bersifat jaringan sehingga dapat digunakan

untuk aplikasi multiuser (banyak pengguna). Saat ini database MySQL

telah digunakan oleh kebanyakan pemrogram database, terlebih dalam

pemrograman web.

Kelebihan lain dari MySQL adalah pengunaan Bahasa query yang

dimiliki SQL (Structured Query Language). SQL adalah suatu Bahasa

permintaan yang terstruktur dan telah distandarisasi untuk semua program

pengakses database, seperti Oracel, PostgreSQL, SQL Server, dan lain-

 34

lain.

Sebagai program penghasil database, MySQL tidak dapat berjalan

sendiri tanpa adanya sebuah aplikasi lain (interface). MySQL dapat

didukung oleh hampir semua program aplikasi baik yang open-source

seperti PHP maupun yang tidak.

a. DDL ( Data Definition Language) adalah suatu bentuk Bahasa yang

digunakan untuk melakukan pendefinisian data. Hal ini menyangkut

pembuatan tabel, perubahan tabel serta penambahan struktur tabel.

b. DML (Data Manipulation Language) adalah suatu bahasa

pemanipulasian data dimana seorang pengguna dapat melakukan

operasi-operasi input data, edit data, hapus data dan melihat data.
 BAB III

METODOLOGI PENELITIAN

Tinjauan Umum

STMIK AKBA adalah salah satu perguruan tinggi swasta di Makassar

yang didirikan oleh Yayasan Pendidikan Kartini (Yapenka). Yayasan ini

berdiri pada tanggal 10 Februari 1995. Pada awalnya Yapenka

menyelenggarakan kursus-kursus keterampilan komputer, bahasa Inggris,

akuntansi, menjahit, dan musik. Akan tetapi, berdasarkan pengalaman

pengelola, para peserta lebih dominan mengikuti kursus komputer, bahasa

inggris, dan akuntansi. Ketiga keterampilan tersebut yang masih melekat

pada nuansa pendidikan STMIK AKBA sekarang ini.

Sebagaimana perguruan tinggi lainnya, STMIK AKBA juga menerapkan

ujian sebagai bahan evaluasi hasil belajar mahasiswanya. Namun,

pelaksanaan ujian dan pemeriksaannya masih dilakukan secara manual.

Hal ini menyebabkan banyak waktu dosen yang terbuang untuk melakukan

pemeriksaan hasil ujian. Bahkan, pengumuman nilai ujian mahasiswa

sering kali tertunda karena keterlambatan dosen dalam menyerahkan hasil

pemeriksaan ujian mahasiswa ke bagian yang bersangkutan.

Subjektifitas merupakan alasan lain dari kurang efektifnya pemeriksaan

hasil ujian secara manual. Nilai yang diberikan akan bergantung dari

bagaimana dosen melihat mahasiswa yang diperiksa hasil ujiannya.

Sehingga, nilai yang dihasilkan tidak murni mengukur tingkat pemahaman

35
 36

mahasiswa. Mahasiswa juga akan merasa nilai yang diberikan tidak adil.

Beberapa masalah yang dijelaskan sebelumnya merupakan dasar dari

munculnya ide penelitian ini. Karena kasus semacam ini tidak hanya terjadi

di STMIK AKBA, di instansi pendidikan lainnya pun juga mengalami

masalah yang kurang lebih sama dengan yang terjadi saat ini.

Metode Pengumpulan Data

Metode pengumpulan data yang digunakan dalam penelitian ini adalah

sebagai berikut:

1. Observasi

Penulis melakukan pengamatan langsung ke lapangan (observasi).

Tahap ini dilakukan untuk mengetahui seperti apa permasalahan yang ada

di STMIK AKBA terutama yang terkait dengan masalah evaluasi hasil

belajar mahasiswa.

2. Wawancara

Penulis melakukan wawancara dengan dosen pengampu mata kuliah

Tata Tulis dan Komunikasi Ilmiah. Data yang dikumpulkan dari proses

wawancara ini berupa contoh soal ujian, dan kunci jawabannya. Data-data

ini yang nanti akan digunakan sebagai data utama untuk sistem penilaian

otomatis yang akan dibangun.

 37

Temuan Data

Data yang digunakan dalam penelitian ini adalah data mata kuliah Tata

Tulis dan Komunikasi Ilmiah yang merupakan salah satu mata kuliah wajib

di STMIK AKBA. Data yang dimaksud daftar soal ujian, kunci jawaban,

jawaban mahasiswa dan hasil penilaian dosen secara manual.

Keseluruhan data ini akan digunakan untuk menghitung nilai ujian

mahasiswa secara otomatis dan untuk mengukur akurasi penilaian

otomatis yang dibuat.

Gambar 3. 1 Contoh Soal Esai

Gambar 3.1 di atas adalah contoh soal ujian pada mata kuliah Tata

Tulis dan Komunikasi Ilmiah. Contoh soal seperti inilah yang nanti akan
 38

digunakan untuk sistem penilaian otomatis, dimana soal-soal lebih

mengarah kepada uraian dan penjelasa teori.

Diagram Blok Model Sistem Usulan

Diagram blok model dari sistem yang akan dibangun digambarkan

pada gambar 3.2:

Gambar 3. 2 Diagram Blok Model Sistem

Berdasarkan gambar diatas, maka tahapan-tahapan sistem penilaian

otomatis dengan cosine similairity yaitu:

1. Input Dokumen

Langkah awal dari sistem usulan ini adalah penginputan data. Data

yang dimasukkan ke dalam sistem berasal dari dua sumber, yaitu dari

dosen berupa soal dan kunci jawaban, dan dari mahasiswa berupa jawaban

mahasiswa. data-data ini akan disimpan ke dalam database untuk

digunakan kembali pada proses-proses selanjutnya.

2. Pemrosesan teks

Data yang sudah disimpan dalam database akan dilakukan

pemrosesan awal. Yaitu sebagaimana yang telah dijelaskan mengenai text

 39

preprocessing, teks akan diolah dengan dilakukan case folding, tokenisasi,

filtering dan stemming. pemrosesan teks ini dilakukan agar kata-kata yang

dihasilkan siap untuk dihitung bobotnya.

3. Perhitungan bobot

Perhitugan bobot merupakan langkah selanjutnya yang harus

dilakukan. Setelah pemrosesan teks dilakuan, teks akan dihitung bobotnya

menggunakan metode TF-IDF berdasarkan frekuensi kemunculan term

dalam teks. Pembobotan ini akan menhasilkan nilai vektor untuk masing-

masing jawaban dan kunci jawaban yang kemudian akan digunakan dalam

perhitungan cosine similarity.

4. Pehitungan kemiripan dengan Cosine Similarity

Perhitungan kemiripan dengan cosine similarity merupakan tahap inti

dari sistem usulan ini. Setelah teks jawaban dan kunci jawaban telah

melalui proses pembobotan, maka hasil dari pembobotan tersebut akan

dihitung tingkat kemiripannya antara vektor kunci jawaban dengan vektor

jawaban mahasiswa. Proses ini akan menghasilkan nilai dengan rentang

nilai 0-1.

5. Konversi nilai

Konversi nilai merupakan tahap untuk menghitung nilai hasil ujian yang

didapatkan oleh mahasiswa. Konversi nilai dilakukan dengan mengubah

nilai yang dihasilkan dari pehitungan cosine similarity menjadi nilai ujian

dengan mengacu pada tabel 3.4.

 40

Tabel 3. 1 Tabel Konversi Nilai

Nilai Kemiripan Nilai Ujian
0.01 – 0.10 10
0.11 – 0.20 20
0.21 – 0.30 30
0.31 – 0.40 40
0.41 – 0.50 50
0.51 – 0.60 60
0.61 – 0.70 70
0.61 – 0.80 80
0.81 – 0.90 90
0.91 – 0.100 100

Tahapan Pengembangan Sistem

Sistem penilaian otomatis pada penelitian ini akan dibangun dengan

metode waterfall (air terjun). Tahapan-tahapannya adalah analisis, desain,

implementasi, testing dan maintenance. Berikut penjelasan masing-masing

tahapannya:

1. Analisis Kebutuhan Sistem

Analisis kebutuhan sistem pada penelitian ini akan dijabarkan kedalam

beberapa sub, yaitu analisis kebutuhan fungsional, non-fungsional dan

informasi.

a) Analisis Kebutuhan Fungsional

Kebutuhan fungsional adalah jenis kebutuhan yang berisi proses-

proses apa saja yang nantinya dilakukan oleh sistem. Kebutuhan

fungsional juga berisi informasi-informasi apa saja yang harus dilakukan

oleh sistem.

Adapun kebutuhan fungsional pada penelitian ini akan dijabarkan pada

tabel 3.2:
 41

Tabel 3. 2 Analisis Kebutuhan Fungsional

Aktor Deskripsi
Admin - Mengelola data Mahasiswa dan
Dosen
Dosen - Membuat soal ujian
- Melaksanakan ujian
- Melihat nilai mahasiswa
Mahasiswa - Menjawab soal ujian
- Melihat nilai ujian

b) Analisis Kebutuhan Non Fungsional

Kebutuhan Non Fungsional adalah jenis kebutuhan yang berisi property

perilaku yang dimiliki oleh sistem. Kebutuhan non fungsional meliputi

kebutuhan operasional, kinerja, operasi, informasi dan ekonomi.

1) Operasional

Kebutuhan operasional dari sistem ini dibagi ke dalam dua sub, yaitu

kebutuhan perangkat keras dan kebutuhan perangkat lunak.

(a) Perangkat Keras

Perangkat keras yang dibutuhkan untuk membuat sistem peniaian soal

esai secara otomatis adalah sebuah unit PC/Laptop dengan spesifikasi

sebagai berikut:

(1) Harddisk berkapasitias minimum 50GB

(2) RAM minimal 1GB

(3) Processor Intel Pentium 4

(4) Monitor dengan resolusi minimal 800x600 pixel.

(b) Perangkat Lunak

Perangkat lunak yang dibutuhkan untuk membuat sistem penilaian soal

 42

esai secara otomatis sebagai berikut:

(1) Windows 7

(2) Mysql versi 5.xx ke atas

(3) PHP versi 5.xx ke atas

(4) Teks editor (Sublime/Atom)

(5) Web Browser (versi terbaru direkomendasikan)

2) Kinerja

Sistem ini diharapkan mampu memberikan penilaian terhadap jawaban

mahasiswa dengan akurat dan cepat. Akurasi penilaian dihitung

berdasarkan tingkat kemiripannya dengan penilaian yang dilakukan oleh

dosen.

3) Informasi

Informasi yang akan ditampilkan berupa hasil ujian mahasiswa. hasil

ujian yang dimaksud adalah hasil dari penilaian otomatis menggunakan

cosine similarity yang tela dikonvensi menjadi nilai hasil ujian.

4) Ekonomi

Kebutuhan ekonomi adalah penilaian sistem dari segi ekonominya.

Adapun segi ekonomi yang dimaksud adalah bagimana sistem dapat

menghemat pengeluaran kertas.

2. Desain Sistem

Dalam penelitian ini, rancangan sistem dibagi dalam 2 tahapan.

Tahapan yang pertama yaitu rancangan database dan yang kedua adalah

rancangan interface sistem. Berikut penjelasannya:

 43

a) Rancangan Database
Berikut tabel-tabel yang akan dibuat dalam database penelitian ini,

primary key ditandai dengan (*) sedangkan foreign key ditandai dengan (**):

1) Tabel User

Tabel 3. 3 Tabel User

No Nama Field Tipe Data Panjang Data
1 id_user* int 3
2 Username varchar 30
3 Password varchar 20
4 Level int 1

Tabel User memiliki sebuah primary key, yaitu ‘id_user’. Tabel ini akan

digunakan sebagai referensi pengecekan data untuk login user baik itu

admin, dosen maupun mahasiswa.

2) Tabel Dosen

Tabel 3. 4 Tabel Dosen

No Nama Field Tipe Data Panjang Data
1 id_dosen* int 3
2 Nama varchar 30
3 Nidn varchar 15
4 id_user** int 3

Tabel dosen memiliki primary key yaitu ‘id_dosen’ dan sebuah foreign

key yaitu ‘id_user’. Setiap penginputan data dosen akan menambahkan

user baru pada tabel user.

 44

3) Tabel Mahasiswa

Tabel 3. 5 Tabel Mahasiswa

No Nama Field Tipe Data Panjang Data
1 id_mhs* int 3
2 Nama varchar 30
3 Nim varchar 15
4 Id_user** int 3

Tabel mahasiswa memiliki primary key yaitu ‘id_mahasiswa dan

sebuah foreign key yaitu ‘id_user’. Setiap penginputan data mahasiswa

akan menambahkan user baru pada tabel user.

4) Tabel Matkul

Tabel 3. 6 Tabel Mata Kuliah

No Nama Field Tipe Data Panjang Data
1 id_matkul* int 3
2 nama_matkul varchar 30
3 id_dosen** int 3

Tabel mata kuliah memiliki primary key berupa ‘kd_matkul’. Tabel ini

berelasi dengan tabel dosen, dimana setiap mata kuliah memiliki satu

dosen pengampu.

5) Tabel Ujian

Tabel 3. 7 Tabel Ujian

No Nama Field Tipe Data Panjang Data
1 kd_ujian * int 3
2 Nama_ujian varchar 30
3 Tanggal date
4 Status enum open,close
5 kd_matkul** Int 3

Tabel Ujian memiliki primary key berupa ‘kd_ujian’ dan foreign key

‘kd_matkul’. Tabel ini berelasi tabel matkul dimana setiap ujian merupakan
 45

ujian dari mata kuliah tertentu.

6) Tabel Soal

Tabel 3. 8 Tabel Soal

No Nama Field Tipe Data Panjang Data
1 kd_soal * int 3
2 kd_ujian** int 3
3 Soal text
4 Kunci text
5 Bobot Int 3

Tabel Soal memiliki primary key berupa ‘kd_soal’ dan sebuah foreign

key yaitu ‘kd_ujian. Tabel ini berelasi dengan tabel ujian, dimana setiap soal

merupakan bagian dari sebuah ujian tertentu.

7) Tabel Jawaban

Tabel 3. 9 Tabel Jawaban

No Nama Field Tipe Data Panjang Data
1 kd_jawaban * int 3
2 kd_soal** int 3
3 id_mhs** int 3
4 kd_ujian** int 3
5 Jawaban text

Tabel Jawaban memiliki primary key ‘kd_jawaban’ dan beberapa

foreign key. Field ‘kd_soal’ sebagai penanda bahwa jawaban tersebut

merupakan jawaban dari soal yang terdapat pada tabel soal, field ‘id_mhs’

menunjukkan bahwa jawaban itu adalah jawaban dari mahasiswa yang

tertera id-nya pada tabel mahasiswa, sedangkan field ‘kd_ujian’

menunjukkan bahwa itu merupakan jawaban dari ujian yang tertera pada

tabel ujian.
 46

8) Tabel Nilai

Tabel 3. 10 Tabel Nilai

No Nama Field Tipe Data Panjang Data
1 kd_nilai * int 3
2 nilai int 3
3 kd_ujian** int 3
4 id_mhs** int 3

Tabel Nilai memiiliki primary key ‘kd_nilai’ dan duah foreign key yaitu

‘kd_ujian’ dan ‘id_mhs’. Tabel ini berelasi dengan tabel ujian dan tabel

mahasiswa yang menunjukkan bahwa nilai yang tertera adalah nilai dari

mahasiswa ini pada ujian ini seperti yang ada dalam tabel..

b) Rancangan Interface
Berikut ini rancangan interface/antarmuka dari sistem penilaian ujian

esai otomatis yang akan dibangun:

1) Dashboard Admin

Gambar 3. 3 Dashboard Admin

;Halaman admin memiliki 2 fitur yaitu untuk mengelola data dosen dan
 47

data mahasiswa. pengelolaah data ini mulai dari penginputan data sampai

pada penghapusan data.

2) Dashboard Dosen

Gambar 3. 4 Dashboard Dosen

Pada halaman dosen disediakan 3 menu. Yaitu menu daftar ujian yang

menampilkan ujian-ujian yang telah dibuat dan statusnya, kemudian ada

menu untuk membuat soal ujian, dan menu untuk mengganti password.
 48

3) Dashboard Mahasiswa

Gambar 3. 5 Dashboard Mahasiswa

Pada halaman mahasiswa juga terdapat tiga pilihan menu. Yaitu daftar

nilai yang menampilkan nilai-nilai dari ujian yang sudah pernah diikuti oleh

mahasiswa, kemudian ada menu ujian untuk mengikuti ujian dengan

memasukkan kode ujian pada form yang akan tampil, dan disediakan pula

menu untuk mengganti password.

 49

4) Form Tambah Ujian

Gambar 3. 6 Form Tambah Ujian

Form tambah ujian merupakan form yang perlu diisi oleh dosen ketika

ingin membuat ujian baru. Data-data yang perlu dimasukkan antara lain:

nama mata kuliah, tanggal pelaksanaan, soal, kunci jawaban, dan bobot

nilai untuk masing-masing soal.

5) Form Kerja Ujian

Gambar 3. 7 Form Kerja Ujian

Form kerja ujian merupakan form yang akan tampil ketika mahasiswa

sudah memasukkan kode ujian. Pada form ini mahasiswa dapat langsung
 50

menjawab soal-soal yang ditampilkan dengan mengisi form yang

disediakan, lalu menekan tombol simpan ketika semua jawaban dirasa

sudah benar.

6) Lihat Hasil Ujian

Gambar 3. 8 Lihat Hasil Ujian

Dosen dapat melihat hasil ujian mahasiswa dengan menekan tombol

lihat hasil ujian pada tabel yang tampil di dashboard. Ketika menekan

tombol lihat hasil ujian ini sistem akan menghitung nilai mahasiswa dengan

menggunakan cosine similarity lalu menampilkannya dalam bentuk tabel

seperti pada gambar 3.8.

3. Implementasi Sistem

Sistem akan diimplementasikan atau dikodekan dengan menggunakan

 51

bahasa pemrograman PHP sesuai dengan rancangan yang dibuat

sebelumnya. Pada pengkodean sistem ini akan digunakan aplikasi text

editor Sublime yang cukup ringan dan powerful. Dan untuk melihat hasil

pengkodean sedikit demi sedikit akan ditampilkan dengan browser Chrome.

4. Pengujian Sistem

Pengujian sistem dilakukan dengan mengukur akurasi sistem dalam

melakukan penilaian dengan menghitung korelasi antara hasil penilaian

otomatis dengan hasil penilaian manual yang dilakukan oleh ahli (dosen).

Adapun rumus persamaan yang digunakan untuk menghitung korelasi

tersebut adalah:

∑𝑁 𝑋𝑌−(∑ 𝑋)(∑ 𝑌)
𝑟𝑥𝑦 = ....................................................... (3.1)
√{∑𝑁 𝑋 2 −(∑ 𝑋 2 )}{∑𝑁 𝑌 2 −(∑ 𝑌 2 )}

Dimana:

X = hasil penilaian otomatis

Y = hasil penilaian manual

5. Operasi dan Pemeliharaan

Setelah sistem diuji akurasi penilaiannya, sistem akan dioperasikan

sambil dilakukan pemeliharaan untuk memperbaiki kesalahan-kesalahan

yang mungkin terjadi. Seperti adanya error saat pengisian jawaban atau

ada data yang tiba-tiba hilang setelah melakukan aksi tertentu.

 52

DAFTAR PUSTAKA

Amin, F. (2012). Sistem Temu Kembali Informasi dengan Metode Vector

Space Model. Jurnal Sistem Informasi Bisnis.

Arief, M. R. (2011). Pemrograman Web Dinamis Menggunakan PHP dan

MySQL. Yogyakarta: Andi.

Ashari, A. Y. (2017). Implementasi Pembobotan Term Frequency Inverse

Dokumen Frequency pada Sistem Temu Kembali Dokumen Skripsi
Berdasarkan Kemiripan Judul dan Latar Berlakang. Makasssar: STMIK
AKBA.

Astutik, S., Cahyani, A. D., & Sophan, M. K. (2014). Sistem Penilaian Esai
Otomatis Pada E-Learning Dengan Algoritma Winnowing. Jurnal
Informatika. doi:10.9744/informatika.12.2.47-52

Bahri, S. (2014). Penilaian Otomatis Ujian Essay Online berbasis Algoritma

Rabin Karp. SWABUMI, I.

Fitri, R., & Asyikin, A. N. (2015). APLIKASI PENILAIAN UJIAN ESSAY

OTOMATIS MENGGUNAKAN METODE COSINE SIMILARITY.
POROS TEKNIK.

Galandi, F. (2016). Metode Waterfall : Definisi, Tahapan, Kelebihan dan

Kekurangan. Diambil 25 Maret 2018, dari
http://www.pengetahuandanteknologi.com/2016/09/metode-waterfall-
definisi-tahapan.html

Goma, W. H., & Fahmi, A. A. (2012). Short Answer Grading Using String
Similarity and Corpus Based Similarity. International Journal of
Advanced Computer Science and Application.

Gomaa, W. H., & Fahmy, A. A. (2013). A Survey of Text Similarity

Approaches. International Journal of Computer Applications.
doi:10.5120/11638-7118

Hadi, S. (2013). Pengembangan Computerized Adaptive Test Berbasis

Web. Yogyakarta: Aswaja Pressindo.

Ingwersen, P. (1992). Information Retrieval Interaction. Information

Processing & Management. London: Taylor Graham Publishing.
doi:10.1016/0306-4573(93)90108-P

Jihad, A., & Haris, A. (2008). Evaluasi Pembelajaran. Yogyakarta: Multi

Pressindo.
 53

Manning, C. D., Ragahvan, P., & Schutze, H. (2009). An Introduction to

Information Retrieval. Information Retrieval.
doi:10.1109/LPT.2009.2020494

Nugroho, B. (2004). Aplikasi Pemrograman Web Dinamis dengan PHP dan

MySQL. YOgyakarta: Gava Media.

Pramukantoro, E. S. (2016). Sistem penilaian otomatis jawaban esai pada

elearning belajardisini.com. Jurnal Teknologi Informasi dan Ilmu
Komputer (JTIIK).

Rownlands, I. (1986). Text Retrieval : an Introduction. London: Taylor

Graham.

Salton, G. (1989). Automatic Text Processing, The Transformation,

Analysis, and Retrieval of information by computer. USA: Addison –
Wesly Publishing Company, Inc.

Simarmata, J. (2010). Rekayasa Perangkat Lunak. Yogyakarta: Penerbit

Andi.

Sudjana, N. (2005). Penilaian Hasil Proses Belajar Mengajar. Bandung:

Remaja Rosdakarya.

Valenti, S., Neri, F., & Cucchiarelli, A. (2003). An Overview of Current

Research on Automated Essay Grading. Journal of Information
Technology Education. Diambil dari
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.101.5757&
amp;rep=rep1&type=pdf

Wahib, A., Pasnur, Santika, P. P., & Arifin, A. Z. (2015). Perangkingan

Dokumen Berbahasa Arab Menggunakan Latent Semantic Indexing.
Jurnal Buana Informatika. Diambil dari
https://ojs.uajy.ac.id/index.php/jbi/article/view/411