Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
PENERAPAN ALGORITMA WINNOWING DENGAN KONSEP
JACCARD SIMILARITY COEFFICIENT
UNTUK MEMERIKSA HASIL UJIAN ONLINE BERTIPE ESAI
Radi Ginanjar
Teknik Informatika – Universitas Komputer Indonesia
Jl. Dipatiukur 112-114 Bandung
E-mail : rdi.ginanjar@hotmail.co.id
ABSTRAK
Dalam dunia pendidikan soal jenis esai merupakan
tipe soal yang sulit untuk diperiksa, sebab soal jenis
ini memiliki jawaban yang terbatas serta berisi
pemahaman siswa terhadap suatu permasalahan.
Sehingga pada akhirnya ketika jenis soal ini
diterapkan akan mengakibatkan beban kerja guru
bertambah karena harus memeriksa jawaban siswa
secara objektif, yang mengakibatkan pendistribusian
nilai siswa menjadi terlambat. Akibatnya pada setiap
ujian yang terdapat dalam Learning Management
System (LMS) hanya mempergunakan soal jenis
pilihan ganda saja. Algoritma winnowing merupakan
salah satu algoritma yang prosesnya menggunakan
dokumen fingerprinting. Algoritma winnowing
sendiri merupakan algoritma paling cepat prosesnya
diantara algoritma dokumen fingerprinting lainnya
seperti algoritma Manber, dan algortima Karp Rabin,
karena algortima winnowing hanya mengambil nilai
k-gram terkecil sebagai fingerprint dokumennya.
Sehingga besar kecil nilai fingerprint suatu dokumen
akan berbanding lurus dengan besar kecil dokumen
tersebut. Jaccard Similarity coeficient merupakan
sebuah persamaan yang digunakan untuk menghitung
irisan dari dua buah himpunan. Hasil dari
implementasi algoritma winnowing dengan konsep
jaccard similarity coeficient ini dapat bekerja sesuai
dengan langkah-langkah yang telah ditentukan yaitu
berhasil dalam menentukan tingkat kemiripan antara
kunci jawaban guru dan hasil jawaban siswa dengan
waktu yang cepat. Tetapi rata-rata tingkat akurasi
hasil pencarian masih dibawah 50% hal ini terjadi
karena setiap dokumen uji yang berupa kunci
jawaban guru dan hasil jawaban siswa masih
dipengaruhi oleh persamaan kata yang berbeda.
Kata kunci : esai, fingerprint, Jaccard Similarity
Coeficient, LMS, winnowing
1. PENDAHULUAN
Learning Management System (LMS) merupakan
perangkat lunak yang digunakan untuk membuat
materi pembelajaran secara on-line dan dapat
1
mengelola pembelajaran serta dapat mengelola hasil
dari pembelajaran tersebut. Salah satu fitur dari
sebuah LMS adalah adanya ujian atau latihan on-line.
Namun pada saat ini tipe ujian yang terdapat dalam
sebuah LMS hanya sebatas ujian bertipe soal pilihan
ganda. Karena tipe soal pilihan ganda ini sangat
mudah dalam melakukan pemeriksaannya. Selain
dari itu soal jenis pilihan ganda kurang dapat
menggambarkan kemampuan siswa secara utuh serta
dapat membiasakan siswa berpikir secara untung -
untungan. Soal jenis esai merupakan tipe soal yang
menjelaskan tentang suatu masalah berdasarkan
sudut pandang dari masing –masing siswa. Sehingga
penggunaan tipe soal esai pada ujian akan
mengakibatkan beban kerja guru bertambah, karena
banyaknya siswa dalam satu kelas serta tidak
sedikitnya kelas yang diajar oleh guru akan
mengakibatkan waktu kerja guru bertambah. Selain
dari itu guru harus memeriksa hasil jawaban siswa
yang bertipe esai dengan objektif dan teliti. Sehingga
dari masalah tersebut perlu adanya perkembangan
ujian on-line dengan soal bertipe esai, sehingga dapat
memberikan nilai yang objektif dengan cepat.
Disamping itu perlu adanya suatu sistem yang mampu
mendukung proses penilaian jawaban soal bertipe
esai secara otomatis sehingga dalam pelaksanaannya
dapat berjalan dengan baik.
Algoritma winnowing merupakan salah satu
algoritma yang prosesnya menggunakan dokumen
fingerprinting. Algoritma winnowing sendiri
merupakan algoritma paling cepat prosesnya diantara
algoritma dokumen fingerprinting lainnya [1] seperti
algoritma Manber, dan algortima Karp Rabin, karena
algortima winnowing hanya mengambil nilai k-gram
terkecil sebagai fingerprint dokumennya. Dengan
mengambil nilai terkecil maka jumlah fingerprint
yang dimiliki oleh algoritma winnowing akan sesuai
dengan besar dokumen yang dimasukan [1]. Pada
proses perhitungan algoritma winnowing, algoritma
ini akan menghasilkan sebuah himpunan nilai hash
yang disebut fingerprint dokumen. Sehingga untuk
menghitung kemiripan dari dua dokumen perlu
menggunakan sebuah persamaan himpunan yang
mampu memberikan nilai perbandingan antar dua
 Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 2
Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
himpunan tersebut. Salah satu persamaan yang dapat
digunakan untuk menghitung dua buah himpunan
yaitu persamaan Jaccard Similarity coeficient.
Persamaan ini akan menghitung besarnya nilai irisan
dari dua buah himpunan yang dibandingkan tanpa
melihat posisi dari anggota himpunan itu sendiri [2].
Sehingga persamaan ini cocok digunakan untuk
menghitung nilai similarity dari kedua fingerprint
dokumen.

1.1. Algoritma Winnowing

Algoritma winnowing merupakan algoritma
dokumen fingerprinting yang digunakan untuk
mendeteksi salinan dokumen dengan menggunakan
teknik hashing [1]. Dari beberapa penelitian
menjelaskan bahwa algoritma ini memiliki kecepatan
proses yang lebih cepat dari algoritma terdahulunya
[2]. Karena algoritma ini hanya menggunakan nilai
hashing terkecil dari tiap masing – masing window
yang kemudian disebut dengan fingerprint dokumen.
Input dari algoritma ini merupakan dokumen teks
yang diproses sehingga menghasilkan output berupa
kumpulan nilai-nilai hash, nilai hash yang terbentuk
merupakan hasil dari perhitungan ASCII dari setiap Gambar 1. Flowchart Algoritma Winnowing
karakter. Kumpulan-kumpulan nilai hash tersebut
selanjutnya dikelompokan dengan besaran tertentu 1. Casefolding
yang disebut dengan window. dari rangkaian window Casefolding merupakan proses penghilangan
disebut dapat dicari nilai fingerprint yang berupa nilai karakter yang tidak releval seperti tanda baca, spasi
terkecil dari tiap masing – masing window. serta menyeragamkan huruf menjadi huruf kecil
Fingerprint ini sendiri yang akan digunakan untuk semua atau lowecase. Berikut ini contoh proses
membandingkan kemiripan antar dokumen teks. casefolding dapat dilihat sebagai beikut.
Proses algoritma Winnowing tersebut meliputi :
1. Penghilangan karekter umum seperti tanda baca, Teknik Informatika
kata sambung, simbol matematik, spasi antar kata,
serta menyeragamkan huruf menjadi lowercase.
2. Pembentukan N-gram dengan nilai gram yang
telah ditentukan sehingga menghasilkan teknikinformatika
rangkaian gram.
3. Pengkodean tiap gram dengan mengunakan nilai
ASCII dari masing - masing karakter pada suatu 2. Pembentukan N-gram
gram, proses ini disebut dengan Rolling hash. Sebelum pembentukan N-gram terhadap suatu
4. Pembentukan rangkaian Window dari rangkaian teks pada penerapan algoritma winnowing terlebih
gram yang telah dikodekan yang kemudian akan dahulu dilakukan proses lowercase pada setiap
dicari nilai fingerprint dari tiap – tiap rangkaian karakter dan membuang karakter-karakter dari
Window tersebut. dokumen yang tidak relevan seperti tanda baca, spasi
5. Pengukuran nilai Similarity, pada proses ini akan dan simbol lainnya.
menghasilkan suatu nilai irisan dari populasi Kemudian setelah dilakukan proses pembersihan
fingerprint antara dokumen yang dicari dengan dari proses sebelumnya, maka dilakukan proses
sumber dokumen pembanding. pembentukan kedalam rangkaian gram dimana nilai
Berikut ini alur proses dapat dilihat pada gram = 5 (k=5). Karena berdasarkan hasil penelitian
flowchart berikut ini pada Gambar 1 sebagai berikut. oleh Obed Kharisma [3] menjelaskan setiap
perubahan nilai gram akan berpengaruh terhadap
hasil persentase kemiripan antar dokumen semakin
bersar nilah gram maka semakin kecil tingkap
kemiripan antar dokumen [3], seperti terlihat pada
gambar Gambar 2. sebagai berikut.
 Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
teknikinformatika
tekni eknik kniki nikin ikinf
kinfo infor nform forma
ormat rmati matika
Gambar 2. Pembentukan n-gram teks
teknikinformattika
3. Rolling Hash
Rolling hash merupakan sebuah fungsi untuk
menghasilkan nilai hash dari rangkaian gram. Pada
awalnya metode Rolling hash digunakan pada
algoritma Rabin Karp dimana metode ini digunakan
untuk membandingkan nilai hashing dari semua
rangkaian k-grams kedalam sebuah string yang
panjang. Akan tetapi proses hasing pada setiap string
sepanjang k akan menghabiskan waktu komputasi
yang lama jika nilai k sangat besar. Untuk itu Rabin
Karp menggunakan Rolling hash dimana fungsi hash
𝐻(𝑐1...𝑐𝑘) didefinisikan seperti pada persamaan (1) [4]
𝐻(𝑐1…𝑐𝑘 ) = 𝑐1 ∗ 𝑏(𝑘−1) + 𝑐2 ∗ 𝑏(𝑘−2) + ⋯ + 𝑐(𝑘−1) ∗
𝑏 + 𝑐𝑘 Persamaan (1)
Keterangan :
c = nilai ASCII karakter
b = basis bilangan prima
k = nilai k-gram atau banyak karakter pada gram
untuk mendapatkan nilai k-grams berikutnya
𝐻(𝑐1…𝑐𝑘+1) maka dapat dilakukan dengan
menggunakan persamaan (2) [4]
𝐻(𝑐1…𝑐𝑘+1) = (𝐻(𝑐1…𝑐𝑘) − 𝑐1 ∗ 𝑏(𝑘−1) ) ∗ 𝑏 + 𝑐(𝑘−1)
Persamaan (2)
Berikut ini perhitungan dari gram tekni dengan
nilai b = 11
𝐻𝑡𝑒𝑘𝑛𝑖 = 𝐴𝑆𝐶𝐼𝐼𝑡 ∗ 114 + 𝐴𝑆𝐶𝐼𝐼𝑒 ∗ 113 + 𝐴𝑆𝐶𝐼𝐼𝑘
∗ 112 + 𝐴𝑆𝐶𝐼𝐼𝑛 ∗ 111 + 𝐴𝑆𝐶𝐼𝐼𝑖
∗ 110
𝐻𝑡𝑒𝑘𝑛𝑖 = 116 ∗ 114 + 101 ∗ 113 + 107 ∗ 112
+ 110 ∗ 111 + 105 ∗ 110
𝐻𝑡𝑒𝑘𝑛𝑖 = 1847049
Pada perhitungan hash dari gram ke-n, nilai hash
gram n-1 dikurangi dengan nilai karkater pertamadari
gram n-1 kemudian ditambahkan dengan nilai
karakter terakhir dari gram ke-n. Dengan begitu tidak
perlu melakukan iterasi dari indeks pertama sampai
terakhir untuk menghitung nilai hash untuk gram ke-
2 sampai terakhir. Hal ini tentu akan menghemat
waktu komputasi saat menghitung nilai hash dari
3
suatu gram. Hasil perhitungan Rolling hash dari
rangkaian gram sebelumnya dapat dilihat pada
Gambar 3. sebagai berikut.
1847049 1635730 1726984 1764477 1693739
1720885 1697392 1761066 1656213 1791257
1827271 1740274 1588552
Gambar 3. Hasil Rolling hash dari N-gram
tekniknikinformatika
4. Pembentukan Window
Pembentukan window pada algoritma winnowing
bertujuuan untuk menentukan fingerprint dari hasil
proses Rolling hash, dengan menggunkan persamaan
(3) [4].
𝑤 = (𝑡 − 𝑘) + 1 Persamaan (3)
Pada penelitian yang dilakukan oleh Obed
Kharisman [3] menjelaskan bahwa semakin besar
nilai window (w) akan semakin kecil nilai persentase
kemiripan antar dokumen. misal t = 8 sehingga besar
window = 4. sehingga didapat sebuah rangkaian
window seperti terdapat pada Gambar 4 sebagai
berikut.
{ 1847049 1635730 1726984 1764477 }
{ 1635730 1726984 1764477 1693739 }
{ 1726984 1764477 1693739 1720885 }
{ 1764477 1693739 1720885 1697392 }
{ 1693739 1720885 1697392 1761066 }
{ 1720885 1697392 1761066 1656213 }
{ 1697392 1761066 1656213 1791257 }
{ 1761066 1656213 1791257 1827271 }
{ 1656213 1791257 1827271 1740274 }
{ 1791257 1827271 1740274 1588552 }
Gambar 4. Window dari hashing teknikinformatika
5. Pencarian Fingerprinting
Fingerprint merupakan nilai minimum atau
terkecil dari setiap rangkaian window. Jika terdapat
nilai minimum lebih dari satu nilai, maka pilih dari
window sebelah kanan. Kemudian simpan semua
hasil hash yang telah dipilih yang merupakan
fingerprint dokumen. Berikut ini hasil fingerprint
yang didapat, dapat dilihat pada Gambar 5. sebagai
beikut.
[1635730] [1693739] [1656213] [1588552]
Gambar 5. fingerprint dari N-gram
teknikinformatika
6. Pengukuran nilai similarity
Pada setiap teks memiliki fingerprint sejumlah
window yang telah ditentukan 𝐷 = 𝑤𝑖 … 𝑤𝑗 .
Kemudian setiap pasang teks akan dicari nilai yang
 Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 4
Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
sama dari set window tersebut dengan menggunakan Berikut ini jawaban dari kelima siswa tentang
persamaan Jaccard Coefficient yang ditunjukan pada pertanyaan diatas, jawaban siswa tersebut bisa dilihat
persamaan (4) [4] pada Tabel 1. sebagai berikut.

|𝑤(𝑑𝑖)∩𝑤(𝑑𝑗 )| Tabel 1. Hasil jawaban siswa

𝑆𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦(𝑑𝑖 , 𝑑𝑗 ) = Persamaan (4)
|𝑤(𝑑𝑖)∪𝑤(𝑑𝑗 )| Siswa Soal Jawaban siswa
diskusi adalah sebuah
Jaccard Similarity coefficient merupakan sebuah perkumpulan yang
peramaan yang digunakan untuk membandingkan membahas suatu
dua buah himpunan dalam satu populasi. Persamaan Nesa
1 permasalahan dan harus
ini akan menghitung persentase irisan dari dua Taupikah
di temukannya
himpunan tersebut. Pencarian kesamaan tersebut penyelesaian sehingga
menunjukan bahwa algoritma winnowing tidak mencapai tujuan bersama
tergantung pada posisi [1] kata-kata dalam mencari
adanya kesamaan atau disebut position independece. 2. Proses Casefolding
Dalam menghasilkan dokumen fingerprint, sistem Casefolding merupakan salah satu proses yang
mengunakan upper bound dalam performasi terdapat pada algoritma winnowing yang bertugas
winnowing, agar dokumen fingerprint yang diperoleh untuk menyeragamkan huruf menjadi lowcase serta
mendapatkan jarak terdekat sehingga menjamin membuang karakter – karakter yang tidak relevan
terdeteksinya kemiripan antar substring [1]. Dalam seperti (,.;:”/?’$), spasi, dan karakter angka sehingga
sebuah dokumen besaran substring yang baik harus hanya menyisakan huruf dari a sampai z saja.
memiliki dua kreteria sebagai berikut [1] Berikut ini hasil casefolding dari kunci jawaban
1. Jika terdapat substring yang sama sepanjang guru. Hasil dari casefolding dapat dilihat pada Tabel
guarante threshold (t), maka kemiripan dianggap dibawah ini.
sah.
2. Dan kecocokan dianggap tidak sah jika dibawah Tabel 2. Hasil casefolding kunci jawaban guru
batasan noise threshold (k).
Soal casefolding
diskusikomunikasiantaraduaoranglebihd
2. ISI PENELITIAN 1 engantujuanuntukmemecahkanpermasla
2.1 Analisis Algoritma Winnowing
hanagarmenjadisuatupemahaman
Analisis Algoritma Winnowing merupakan
analisis penerapan metode suatu algoritma dalam
Berikut ini hasil casefolding dari semua jawaban
menyelesaikan suatu permasalahan yang ada. Metode
siswa. Hasil dari casefolding dapat dilihat pada Tabel
yang digunakan untuk solusi pemecahan dalam
3. sebagai berikut.
penelitian ini adalah dengan menggunakan algoritma
Winnowing. Algoritma Winnowing merupakan
Tabel 3. Hasil casefolding jawaban siswa
algoritma yang digunakan untuk mencari kemiripan
pada suatu teks dengan teks lain dengan Siswa Soal casefolding
menggunakan fingerprint dari masing – masing diskusisebuahperkumpulanme
Nesa Taupikah

dokumen tersebut. Pencarian kemiripan dalam mbahassuatupermasalahanharu

algoritma ini tidak memperhatikan posisi dari kata stemukannyapenyelesaiansehin
yang akan dicari [1] sehingga algoritma ini cocok 1 ggamencapaitujuanbersama
digunakan untuk mencari kemiripan antara jawaban
siswa dengan kunci jawababn guru.

1. Memasukan Dokumen Teks

Pada penelitian ini dokumen yang digunakan
yaitu berupa jawaban siswa yang akan dicari nilai
kemiripan antar jawaban siswa dengan jawaban guru.
Berikut ini empat pertanyaan yang sudah diajukan
kepada lima siswa :
1. Jelaskan pengertian dari diskusi!
Berikut ini Kunci Jawaban guru dari pertanyaan
tersebut :
1. Diskusi adalah Komunikasi antara dua orang atau
lebih dengan tujuan untuk memecahkan
permaslahan agar menjadi suatu pemahaman.
3. Proses Pembentukan N-gram
Proses pembentukan rangkaina N-gram adalah
proses pembagian karakter kedalam rangkaian gram
dengan nilai besaran nilai N. Besarnya nilai N akan
mempengaruhi nilai kemiripan antar dokumen,
semakin besar nilai N maka semakin kecil tingkat
kemiripan antar dokumen [3].
Berikut ini hasil proses N-Gram terhadap kunci
jawaban guru dan hasil jawaban siswa. Dapat dilihat
pada Tabel 4. dan Tabel 5. sebagai berikut.
 Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 5
Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033

Tabel 4. Hasil N-gram kunci jawaban guru Tabel 6. Hasil hashing kunci jawaban guru
Soal gram (N-3) Soal hashing

dis isk sku kus usi sik iko kom omu mun 725 757 791 777 803 777 745 759 779
uni nik ika kas asi sia ian ant nta tar ara 780 793 757 731 737 723 767 724 724
rad adu dua uao aor ora ran ang ngl gle 769 772 713 750 705 731 773 724 769
leb ebi bih ihd hde den eng nga gan ant 760 711 754 729 732 705 706 728 717
ntu tuj uju jua uan anu nun unt ntu tuk 712 727 743 716 724 789 804 797 755
1 ukm kme mem eme mec eca cah ahk 1 772 725 784 804 789 805 791 747 747
hka kan anp npe per erm rma mas asl sla 723 737 699 694 703 727 732 720 765
lah aha han ana nag aga gar arm rme 764 741 771 745 726 773 730 693 720
men enj nja jad adi dis isu sua uat atu 705 737 691 720 725 775 748 730 749
tup upe pem ema mah aha ham ama 718 693 725 767 791 778 737 810 793
man 759 719 734 693 719 703 740

Tabel 4. Hasil N-gram jawaban siswa Berikut ini hasil dari proses Rollinghash pada
hasil jawaban siswa. Hasil Rollinghash dapat dilihat
Siswa Soal gram (N-3) pada Tabel 7. sebagai berikut.
dis isk sku kus usi sis ise seb ebu
bua uah ahp hpe per erk rku kum Tabel 7. Hasil hashing Jawaban Siswa
ump mpu pul ula lan anm nme Siswa Soal hashing
mem emb mba bah aha has ass
725 757 791 777 803 785 751
Nesa Taupikah

ssu sua uat atu tup upe per erm

rma mas asa sal ala lah aha han 760 717 723 766 708 741 764
1 anh nha har aru rus ust ste tem 739 787 771 798 777 790 781
emu muk uka kan ann nny nya 736 717 759 747 720 729 690
yap ape pen eny nye yel ele les 693 725 733 807 791 778 737
Nesa Taupikah

esa sai aia ian ans nse seh ehi hin 810 793 764 741 771 745 715
ing ngg gga gam ame men enc 762 701 730 693 720 712 745
nca cap apa pai ait itu tuj uju jua 1 724 733 805 814 793 775 739
uan anb nbe ber ers rsa sam ama 777 779 732 718 781 779 790
713 760 745 783 794 721 749
1. Proses Pembentukan hashing dengan metode 731 759 695 724 723 771 766
Rollinghash 717 736 743 749 715 715 707
Proses pembentukan hashing ini menggunakan 748 723 735 702 709 747 714
metode rollinghash, dimana parameter masukan dari 769 804 797 755 772 706 737
proses ini yaitu dari proses sebelumnya yakni hasil 708 747 783 763 703
proses pembentukan rangkaian gram. Seperti halnya
pada proses gram besarnya nilai bilangan prima yang 2. Proses Pembentukan Window
digunakan akan berpengaruh terhadap nilai Proses pembentukan window adalah suatu proses
kemiripan antar dokumen, semakin besar nilai dalam algoritma winnowing yang bertujuan untuk
bilangan prima maka akan semakin kecil tingkat membagi rangkaian hashing kedalam rangkaian
kemiripan antar dokumen [3]. window. semakin besari nillai window maka semakin
Berikut ini contoh perhitungan dari proses kecil tingkat kemiripan dari dokumen teks tersebut
pembentukan hashing pada gram dis. [3].
Berdasarkan Persamaan (3) Jika nilai t = 12. Maka
𝐻𝑑𝑖𝑠 = 𝐴𝑆𝐶𝐼𝐼𝑑 ∗ 22 + 𝐴𝑆𝐶𝐼𝐼𝑖 ∗ 21 + 𝐴𝑆𝐶𝐼𝐼𝑠 ∗ 20 nilai w adalah sebagai berikut.
𝐻𝑑𝑖𝑠 = (100 ∗ 4) + (105 ∗ 2) + (115 ∗ 1)
𝐻𝑑𝑖𝑠 = 725 𝑤 = (12 − 5) + 1
𝑤= 8
Perhitungan tersebut diulang sampai semua
rangkaian gram. Berikut ini hasil dari proses Berikut ini flowchart proses pembentukan
pembentukan hashing pada kunci jawaban guru dan rangkaian window dari rangkaian hashing. Dapat
hasil jawaban siswa dapat dilihat pada Tabel 6. dilihat pada gambar Gambar 6. sebagai berikut.
sebagai berikut.
 Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 6
Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
Tabel 9. Hasil pencarian fingerprint ujian siswa
Siswa Soal fingerprint
[725] [717] [708] [739] [736]

Nesa Taupikah
[690] [693] [733] [737] [715]
[701] [712] [724] [732] [718]
1 [713] [721] [695] [707] [702]
[709] [706] [703]

4. Proses Penghitungan Nilai Similarity

Gambar 6. Flowchart proses pembentukan window
3. Proses Pembentukan Fingerprint
Pembentukan fingerprint dari suatu window
merupakan pencarian nilai terkecil yang terdapat
pada setiap rangkaian window. Berikut ini flowchart
proses pencarian fingerprint dari semua rangkaian
window, dapat dilihat pada Gambar 7. sebagai
berikut.
Similarity merupakan suatu persamaan yang dapat
digunakan untuk mencari nilai kemiripan antar dua
buah himpunan, dengan tanpa menghiraukan posisi
tiap anggota himpunan [5]. Berdasarkan persamaan
(5) maka penulis dapat mencari nilai kemiripan antara
fingerprint jawaban siswa dengan fingerprint kunci
jawaban guru. Berikut ini proses perhitungan nilai
similarity, dapat dilihat pada Gambar 8. sebagai
berikut.

Gambar 8. Flowchart proses perhitungan similarity

Hasil dari perhitungan similarity merupakan

bilangan riil antara 0 sampai 9. Sehingga didapat
sebuah bilangan 0,2 untuk nilai similarity dari kunci
jawaban guru dengan hasil jawaban siswa.
Gambar 7. Flowchart proses fingerprint
Nilai similarity yang didapat sebesar 0,2 serta
Berikut ini hasil pencarian nilai fingerprint dari nilai bobot dari soal sebesar 2 maka
setiap window yang terdapat pada kunci jawaban
guru, dapat dilihat pada Tabel 8. sebagai berikut. ≤ 0.10 𝑚𝑎𝑘𝑎 𝑝 = 0% 𝑥 𝑏𝑜𝑏𝑜𝑡 𝑛𝑖𝑙𝑎𝑖
≤ 0.25 𝑚𝑎𝑘𝑎 𝑝 = 30% 𝑥 𝑏𝑜𝑏𝑜𝑡 𝑛𝑖𝑙𝑎𝑖
Tabel 8. Hasil pencarian fingerprint kunci jawaban ≤ 0.40 𝑚𝑎𝑘𝑎 𝑝 = 50% 𝑥 𝑏𝑜𝑏𝑜𝑡 𝑛𝑖𝑙𝑎𝑖
guru 𝐽𝑖𝑘𝑎 𝑠
≤ 0.55 𝑚𝑎𝑘𝑎 𝑝 = 70% 𝑥 𝑏𝑜𝑏𝑜𝑡 𝑛𝑖𝑙𝑎𝑖
Soal fingerprint ≤ 0.70 𝑚𝑎𝑘𝑎 𝑝 = 90% 𝑥 𝑏𝑜𝑏𝑜𝑡 𝑛𝑖𝑙𝑎𝑖
[725] [745] [731] [723] [713] [705] [711] {> 0.70 𝑚𝑎𝑘𝑎 𝑝 = 𝑏𝑜𝑏𝑜𝑡 𝑛𝑖𝑙𝑎𝑖 80% 𝑥
1 [706] [712] [716] [724] [699] [694] [703]
[720] [726] [693] [691] [719] 𝑝 = 30% 𝑥 2
𝑝 = 0,6
Berikut ini hasil pencarian fingerprint dari hasil
jawaban siswa, dapat dilihat pada Tabel 9. sebagai Berikut ini hasil detail hasil penilaian hasil
berikut. jawaban siswa dengan menggunakan algoritma
winnowing dapat dilihat pada Tabel 10. Sebagai
berikut.
 Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 7
Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
sehingga belum bisa memenuhi kebutuhan yang
Tabel 10. Hasil penilaian jawaban esai ada.
Bobot
Similarit N 3. Keunggulan dari penerapan algoritma winnowing
Siswa Soal Soal Poin terhadap penilaian jawaban esai otomatis, yaitu
y A
(b) memiliki waktu penilian yang cepat maka
penyampaian hasil ujian siswa dapat disampaikan
Nesa Taupikah

dengan segera, sehingga dapat membantu guru

untuk mempermudah dalam penilaian jawaban
1 2 0,2 0,6 30 esai.

3.2. Saran
Adapun saran yang dapat membantu mengatasi
beberapa kekurangan pada sistem yang berhasil
Keterangan : dibangun, diantaranya :
NA = Nilai Akhir 1. Dalam proses penilaian jawaban esai otomatis
∑ 𝑝𝑜𝑖𝑛 menggunakan algoritma winnowing ini hanya
𝑁𝐴 = × 100
∑𝑏 membandingkan kata demi kata tanpa
memperhatikan makna konotatif dan persamaan
Berikut ini nilai yang didapat dari proses penilaian kata dari tiap masing-masing kalimat serta dalam
oleh guru mata pelajarana secara langsung. Hasil pencarian jawaban hanya membandingkan kata
penilaian guru dapat dilihat pada Tabel 11. Sebagai kunci yang hanya ada pada kunci jawaban guru
berikut. saja, sehingga hasil dari penilaian otomatis
jawaban esai ini menjadi kurang optimal.
Tabel 11. Hasil Penilai esai secara langsung Diharapkan dalam penelitian selanjutnya dapat
Bobot ditambahkan metode Synonim Recognation
Nilai
Siswa Soal Soal Nilai sehingga tidak menutup kemungkinan hasil dari
Akhir
(b) proses penilaian jawaban esai tersebut lebih baik
dan optimal khususnya pada proses penilaian
Nesa Taupikah

jawaban esai otomatis.

1 2 1 50

DAFTAR PUSTAKA
[1] A. Aiken, S. Schlemer dan D. S. Wilkerson,
Winnowing: Local Algorithms for Document
3. PENUTUP
Fingerprinting, p. 10, 2003.
Berdasarkan hasil penelitian yang telah dilakukan
terhadap penerapan algoritma winnowing dengan
[2] L. G. S. Budi, A. Wibisono dan R. Tanojo,
menggunakan konsep jaccard similarity coefficient
“Pengecekan Plagiatisme Pada Code dalam Bahasa
terhadap ujian on-line pada aplikasi Learning
C++,” Teknik Informatika, vol. 11, p. 9, 2010.
Management System. Berikut ini kesimpulan dan
saran yang dapat diambil dari hasil penelitian.
[3] R. S. Pressman, Sofware Engineering A
Practitioner’s Approach, 7th ed., pp, 2011.
3.1. Kesimpulan
Kesimpulan yang dapat diambil dari hasil analisis
[4] W. Milani, Marji dan R. Achmad, “Deteksi
berdasarkan pada pembahasan yang telah dituturkan
Plagiarisme pada dokumen teks Bahasa Indonesia
sebelumnya, maka dapat ditarik kesimpulan sebagai
Menggunakan Algoritma Winnowing dengan
berikut.
Stemming,” Informatika.
1. Penerapan ujian on-line bertipe esai pada aplikasi
Learning Management System berhasil [5] B. Susanto, S. Suwarno dan O. Kharisman,
diterapkan, disertai dengan proses yang mampu “Implementasi Algoritma Winnowing untuk
memeriksa hasil jawaban siswa bertipe esai Mendeteksi kemiripan pada Teks Dokumen,”
berdasarkan pendekatan metode algoritma Informatika, vol. 9, p. 10, 2013.
winnowing.
2. Proses penilaian dengan metode pendekatan [6] C. Pierre, “Software Plagiarism Detection
algoritma winnowing dapat diterapkan pada Using Model-Driven Software Development In
penilaian tipe jawaban esai, namun pada proses ini Eclipse Platform,” p. 15, 2008.
masih menghasilkan nilai yang kurang optimal,
 Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 8
Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
[7] Hendrik dan W. Fathul, “Pengembangan
Learning MAnagement System,” Media Informatika,
vol. 3, p. 14, 2005.

[8] Zaelani, “Pembangunan Learning

Management System di SMK Angkasa 1 Margahayu
Bandung,” Jurnal Ilmiah Komputer dan Informatika,
p. 4, 2014.

[9] Riyadi, “Wordpress,” 25 April 2010. [Online].

Available:
https://riyadi2405.wordpress.com/2010/04/25/lms-
learning-management-system/. [Diakses 7 Oktober
2014].

[10] R. Tom G, T. Mary, C. Kyle dan P. Gavin,

“Learning Management System Migration: An
Analysis of Stakeholder Perspectives,” Open Journal
Systems, vol. 13, 2012.