Reguler Kompetitif

PROPOSAL PENELITIAN

TENTANG

TEXT MINING UNTUK KLASIFIKASI WAKTU KEDATANGAN

PELANGGAN SERVICE KENDARAAN PADA PESAN INTERAKTIF

Penelitian ini dibiayai dengan Dana DIPA

Nomor :..... Politenik Negeri malang

Oleh
Andika Kurnia Adi Pradana, S.Kom., M.Cs.
NIDN. 0701078302
Benni Agung Nugroho, S.Kom., M.Cs.
NIDN. 0724068102
Ellya Nurfarida, S.T., M.Cs
NIDN. 0701078302

PSDKU KEDIRI
POLITEKNIK NEGERI MALANG
2020
 Chapter 1 HALAMAN PENGESAHAN
Chapter 2 USULAN PENELITIAN

1 Judul : Text Mining Untuk Klasifikasi Waktu

Kedatangan Pelanggan Service Kendaraan Pada
Pesan Interaktif
2 Ketua penelitiam
a. Nama lengkap : Andika Kurnia Adi P, S.Kom., M.Cs.
b. NIDN : 0701078302
c. Pangkat / Golongan : Penata Muda / IIIB
d. Jabatan fungsional : Asisten Ahli
e. Sedang melakukan penelitian : Tidak
f. Alamat : Permata Hijau Y 13 Kediri
3 Jumlah anggota peneliti : 2 orang
a. Anggota 1 : Benni Agung Nugroho, S.Kom., M.Cs.
NIDN. 0724068102
b. Anggota 2 : Ellya Nurfarida, S.T., M.Cs.
NIDN. 0730068004
c. Anggota 3 : -
4 Lokasi kegiatan mitra PkM : Laboratorium Komputasi PSDKU Kediri
5 Jangka waktu pelaksanaan : 8 bulan
a. Mulai : 1 April 2020
b. Sampai : 15 Nopember 2020
6 Program strategi riset : Teknologi dan Sosial
7 Rumpun Ilmu : Ilmu Komputer
8 Biaya yang diperlukan : Rp. 8.000.000,00
9 Sumber dana : Penelitian ini dibiayai dengan Dana DIPA Nomor
SP DIPA .../2020 tanggal... Desember 2019,
Politeknik Negeri Malang dengan Surat
Perjanjian.....

Menyetujui, Malang, 10 Maret 2020

Kepala UPT P2M, Ketua penelitian,

Erfan Rohadi, S.T., M.Eng, Ph.D. Andika Kurnia Adi P., S.Kom., M.Cs.
NIP. 0023017206 NIDN. 0701078302

Mengetahui
Direktur Pejabat Pembuat Komitmen Bidang I

Drs. Awan Setiawan, MMT., MM. Supriatna Adhisuwignjo, ST,MT.

NIP. 0010095911 NIP. 0008017107

i
Chapter 3 IDENTITAS DAN URAIAN UMUM PENELITIAN

1. Judul Penelitian : Text Mining Untuk Klasifikasi Waktu Kedatangan

Pelanggan Service Kendaraan Pada Pesan Interaktif
2. Tim Peneliti :
Alokasi
Bidang
No. Nama Jabatan Jurusan Waktu
Keahlian
(jam/minggu)
1. Andika Kurnia Adi Ketua Cerdas Manajemen 20
P.,S.Kom., M.Cs. Terapan Informatika
NIDN. 0701078302
2. Benni Agung N., Anggota 1 Cerdas Manajemen 15
S.Kom., M.Cs Terapan Informatika
NIDN. 0724068102
3. Ellya Nurfarida, Anggota 2 Rekayasa Manajemen 10
S.T., M.Cs Perangkat Informatika
Lunak

3. Obyek Penelitian (jenis material yang akan diteliti dan segi penelitian):
Data SMS dari sebuah bengkel untuk diklasifikasi berdasarakan pada jenis
service kendaraan.
4. Masa Pelaksanaan: 1 Maret 2020 s.d. 30 nopember 2020
5. Biaya: Rp. 8.000.000,-
6. Lokasi Penelitian (Studio/Lab/Lapangan): Lab. Komputasi PSDKU Kediri
7. Instansi yang terlibat : -
8. Temuan yang ditargetkan (penjelasan gejala atau kaidah, metode, teori,
produk, atau rekayasa):
Permasalahan : tidak adanya standar pengiriman pesan yang menyebabkan
data service tidak dapat terkategori secara otomatis dan
menyebabkan waktu service tidak terjadwal dengan baik.
Solusi ditawarkan : membangun aplikasi yang dapat mengklasifikasikan
data pesan dari pelanggan berdasarkan jenis service
sehingga waktu service dan kedatangan pelanggan
dapat atur dengan baik.

9 Kontribusi mendasar pada suatu bidang ilmu (uraikan tidak lebih dari 50
kata, tekankan pada gagasan fundamental dan orisinal yang akan
mendukung pengembangan ipteksb):
Penelitian ini bertujuan untuk mengatur waktu kedatangan bagi pelanggan
yang telah booking service berdasarkan pada klasifikasi jenis service
menggunakan text mining dari pesan text interaktif. Dengan demikian
maka pelanggan akan menghemat waktu antrian.

ii
10 Jurnal ilmiah yang menjadi sasaran (tuliskan nama terbitan berkala ilmiah
internasional bereputasi, nasional terakreditasi, atau nasional tidak
terakreditasi dan tahun rencana publikasi): Jurnal Nasional Terakreditasi
nomor 2. (Jurnal JEPIN)

11 Rencana luaran HKI, buku, purwarupa atau luaran lainnya yang ditargetkan,
tahun rencana perole

12 han atau penyelesaiannya: HaK

iii
DAFTAR ISI
RINGKASAN

Kepuasan pelanggan akhir-akhir ini menjadi priorotas utama layanan pada

beberapa industri. Kemajuan teknologi telah menyebabkan peningkatan
penggunaan media komunikasi untuk meningkatkan kepuasan pelanggan pada
beberapa bengkel kendaraan. Booking kendaraan dengan memanfaatkan pesan
interaktif adalah salah satu jenis layanan yang berguna untuk mengatur jadwal
kedatangan pelanggan sehingga waktu tunggu pelanggan dapat dikurangi.
Pengaturan waktu tunggu pelanggan dapat dikurangi dengan
mengkategorisasikan pesan pelanggan pada standart service kendaraan yang
dimiliki bengkel. Text mining akan mengkategorisasikan pesan interaktif
pelanggan dalam standart service kendaraan sehingga muncul waktu tunggu
service pada setiap kendaraan. Dengan menggunakan metode Naive Bayes jadwal
masing-masing pelanggan akan muncul dari hasil standarisari service yang
digabungkan dengan jumlah pit service dan jumlah mekanik yang ada.
Hasil akhir penelitian adalah sebuah aplikasi yang dapat
mengkategorisasikan jenis service yang dikehendaki oleh pelanggan yang telah
mengirimkan pesan interaktif kepada operator. Sistem juga akan dapat
memperkirakan waktu lamanya service yang dilakukan berdasarkan pada
pengkategorian service tersebut yang menyebabkan operator dapat
menginformasikan waktu kedatangan pelanggan untuk melakukan service.
Sedangkan TKT dari penelitian adalah 3.

Kata Kunci : aplikasi, text mining, kategori service, pesan interaktif, naive bayes

1
BAB 1
PENDAHULUAN

1.1 Latar Belakang

CRM ( Customer Relationship Management) merupakan sebuah strategi
untuk memperoleh, mengkonsolidasi, dan menganalisis data untuk kemudian
digunakan untuk merinteraksi dengan pelanggan. Dengan strategi tersebut
diharapkan tercipta pandangan yang komprehensif terhadap customer dan terjadi
hubungan yang lebih baik dengan customer.[ CITATION Afr12 \l 1057 ]
PT Tunas Toyota merupakan salah satu perusahaan pelayanan jasa
bengkel mobil toyota. Dalam pelaksanaannya PT. Tunas Toyota senantiasa untuk
mengingkatkan CRM dengan pelanggan dengan memberikan beberapa
kemudahan kepada pelanggan dalam melakukan transaksi. Kegiatan transaksi
untuk mempermudah pelanggan adalah dengan menggunakan layanan booking
service mobil yang dapat dilakukan melalui media SMS maupun whatsApp ke
nomor PT. Tunas Toyota. Hal ini tentu mempermudah pelanggan dalam
mengantri terhadap layanan service mobil. Masalah muncul karena waktu tunggu
untuk satu service mobil tidak dapat diprediksi oleh pelanggan. Sehingga
pelanggan cenderung tetap harus mengantri untuk waktu yang lama. Hal ini
menyebabkan terganggunya aktifitas dari pelanggan itu sendiri.
Selain itu saat seorang pelanggan menuliskan pesan, maka pesan tersebut
belum memiliki standar yang sama dengan standar service yang disediakan oleh
PT. Tunas Toyota. Bahkan seorang pelanggan akan cenderung memberikan
informasi berlebih yang terkadang tidak dibutuhkan oleh sistem untuk
mementukan jenis service yang diinginkan. Pada tahap ini operator maupun
sistem kesulitan menentukan jenis service yang diinginkan pelanggan.
Permasalahan yang ada mengakibatkan operator belum dapat memberikan
informasi kepastian waktu kedatangan pelanggan yang spesifik karena data text
interaktif yang diberikan oleh pelanggan melalui media SMS ataupun whatsApp
belum mampu mengkategorisasikan jenis service yang diinginkan oleh pelanggan.
Hal ini akan membawa dampak pada waktu kedatangan yang belum dapat
diprediksi oleh pelanggan.

2
 Text mining merupakan ilmu dari disiplin ilmu komputer baru yang fokus
pada cara untuk menyelesaikan informasi berlebihan dengan cara
mengkombinasikan teknik dari data mining, machine learning, natural language
processing, information retrieval dan knowledge management. [ CITATION
Ron07 \l 1057 ]. Dengan demikian setiap teks interaktif yang disampaikan oleh
pelanggan akan diklasterisasi dalam jenis-jenis service terstandar dari PT. Tunas
Toyota. Data jenis-jenis service terstandar dari PT Tunas Toyota telah memiliki
standar waktu pengerjaan, sehingga proses waktu tunggu service pada masing-
masing pit dapat diprediksi.
Dengan memanfaatkan text mining untuk melakukan klasterisasi jenis data
service pada PT. Tunas Toyota diharapkan akan mampu menyelesaikan masalah
waktu kedatangan dari pelanggan sehingga pelanggan tidak antri terlalu lama
untuk antrian service mobil.

1.2 Rumusan Masalah

Dari uraian latar belakang di atas maka muncul rumusan permasalahan
sebagai berikut:
1. Bagaimana merancang dan membangun aplikasi klasifikasi waktu
kedatangan service kendaraan berdasarkan pada pesan interaktif?
2. Bagaimana menerapkan metode Naive Bayes untuk aplikasi klasifikasi
waktu kedatangan?

1.3 Batasan Masalah

Penelitian ini dibatasi pada:
1. Klusterisasi teks interaktif dengan menggunakan metode Naive Bayes.
2. Sistem dapat menampilkan antrian waktu kedatangan dalam rentang waktu
satu hari saja.
3. Aplikasi ini dapat diterapkan pada PT. Tunas Toyota.

1.3 Tujuan Penelitian

Tujuan dari penelitia ini adalah:

3
 1. Merancang dan membangun aplikasi klasifikasi waktu kedatangan pada
service kendaraan dengan studi kasus adalah PT. Tunas Toyota.
2. Menerapkan metode Naive Bayes untuk klasifikasi jenis service untuk
klasifikasi waktu kedatangan.

1.4 Manfaat Penelitian

Perancangan dan pembangun aplikasi dalam penelitian ini memiliki manfaat
ayng dapat dirasakan secara langsung oleh PT Tunas Toyota maupun pelanggan
service pada PT Tunas Toyota. Manfaat dari adanya penelitian ini adalah:
1. Operator akan dibantu oleh sistem untuk mengkategorisasikan/
mengklasterisasi jenis service kendaraan.
2. Operator akan dibantu oleh sistem untuk mengetahui lama service satu
kendaraan sehingga bisa menyusun waktu antrian pelanggan setiap hari.
3. Pelanggan akan mendapatkan informasi yang tepat tentang waktu service
kendaraan mereka sehingga dapat mengurangi waktu tunggu untuk antri.

1.5 Luaran Penelitian

Tabel 1.1 adalah tabel yang menunjukkan rencana target capaian penelitian
pada tahun 2020.
Tabel 1.1 Rencana target capaian Penelitian DIPA Swadana Reguler Kompetisi
No. Jenis Luaran Indikator Capaian*)
Luaran Wajib
Artikel untuk dipublikasikan di jurnal ilmiah draft/submitted/reviewed/
1
ber-ISSN accepted/published
Luaran Tambahan: prototype, rancangan model, HKI, teknologi tepat guna, bahan
ajar, atau lainnya (tuliskan di bawah ini)
Teknologi Tepat Guna Ada / Tidak ada
1
HKI Ada / Tidak ada
2

4
BAB II
TINJAUAN PUSTAKA

Penelitian Terdahulu
Penelitian akan dilakukan dengan berpedoman pada penelitian yang telah
dilaksakan sebelumnya. Penelitian yang menjadi acuan dalam penelitian ini
adalah:
1. Penelitian yang berjudul Implementasi Text Mining Menggunakan Naive
Bayes Untuk Menentukan Kategori Tugas Akhir Mahasiswa Berdasarkan
Abstraksinya dibutuhkan oleh seorang koordinator tugas akhir untuk
mengelompokkan data tugas akhir mahasiswa kedalam kategori kategori
tersendiri. Dengan menggunakan metode klasifikasi text naive bayes
tingkat akurasi pengelompokan tugas akhir ini memiliki prosentase sebesar
87%. Kesimpulan yang diperoleh secara garis besar adalah terciptanya
sebuah perangkat lunak baru yang dapat digunakan untuk
mengelompokkan tugas akhir mahasiswa. [ CITATION Her16 \l 1057 ]
2. Penelitian dengan judul Penerapan Text Mining Untuk Menerapkan
Clustering Data Tweet Shopee Indonesia dilakukan untuk melihat pola
advertising yang dilakukan oleh follower twitter. Pola dapat diperoleh dari
tweet maupun retweet yang digunakan oleh pelaku bisnis dengan
mamanfaatkan metode K-Mean untuk mengetahui jenis konten tweet yang
banyak digunakan oleh follower shopee Indonesia. [ CITATION Ind17 \l
1057 ]
3. Hampir sama dengan penelitian dari Hermanto,2016, penelitian terdahulu
berikutnya membahas klasifikasi skripsi mahasiswa dengan menggunakan
metode naive bayes. Penelitian dengan judul Implementasi Text Mining
Klasifikasi Skripsi Menggunakan Naive Bayes Classifier menggunakan
data teks berupa abstraks dari skripsi mahasiswa menghasilkan tingkat
akurasi sekitar 90% untuk mengelompokkan data skripsi dalam tiga
kelompok besar. [ CITATION Apr17 \l 1057 ]
4. Penelitian selanjutnya adalah penelitian dengan judul Text Mining Untuk
Klasifikasi Kategori Cerita Pendek Menggunakan Naive Bayes. Dalam
penelitian ini tidak hanya fokus pada penggunaan naive bayes tetapi juga

5
 membandingkan metode naive bayes dengan metode classifier lainnya
yaitu Support Vector Machine ( SVM). Hasil penelitian menunjukkan
untuk mengklasifikasikan sebuah cerpen Naive bayes menghasilkan
tingkat akurasi lebih tinggi jika dibandingkan dengan SVM. Selisih
akurasi dari penggunaan kedua metode tersebut mencapai 14%.
[ CITATION Som17 \l 1057 ]
Dari penelitian yang telah dilakukan sebelumnya, maka diperoleh roadmap
penelitian seperti Gambar 2.1.

2020
2017 Penggunaan text
mining untuk
Perbandingan prediksi waktu
tingkat akurasi tunggu pelanggan
2017
Naive Bayes dan pada sebuah
Text Mining SVM untuk bengkel mobil
menggunakan klasifikasi data
naive bayes untuk cerpen
2017
klasifikasi skripsi
Text mining
untuk kegiatan
bisnis
menggunakan
2016
metode K-Mean
penggunaan
naive bayes
untuk
klasifikasi TA

Gambar 2. 1 Roadmap Penelitian

Pada Gambar 2.1 dijelaskan bahwa penelitian yang akan dilaksanakan tidak
hanya fokus pada klasifikasi text mining, tetapi dengan menerapkan klasifikasi
yang dihasilkan akan dapat memprediksi waktu kedatangan bagi pelanggan.

Landasan Teori
Beberapa landasan teori yang mendukung kegiatan penelitian ini adalah text
mining, dan naive bayes.
Text Mining
Text mining merupakan disiplin ilmu baru dalam bidang ilmu komputer
yang fokus pada proses untuk menghasilkan informasi maupun trend baru yang
tidak terungkap sebelumnya ketika sedang memproses data dalam jumlah yang

6
besar yang tidak terstruktur. Untuk mengasosiasi data yang tidak terstruktur
sehingga menghasilkan informasi maupun tren baru, text mining menggunakan
aturan-aturan tertentu. text mining dan data mining memiliki persamaan dan
perbedaan. Persamaan dari keduanya adalah jumlah data yang besar, dimensi yang
tinggi, data dan struktur yang terus berubah serta adanya data “noise”. Sedangkan
perbedaan dari text mining adalah kemampuannya untuk mengolah data tidak
terstruktur sedangkan data mining mengolah data terstruktur sehingga tingkat
kesulitan text mining lebih tinggi dibandingkan dengan data mining. [ CITATION
Igg06 \l 1057 ]
Text mining juga dapat diartikan sebagai proses untuk mengeksplorasi dan
menganalisis data teks tidak terstruktur dalam jumlah yang besar dengan bantuan
perangkat lunak sehingga dapat mengidentifikasi konsep, pola, topik, kata kunci
maupun pola lain dalam sebuah data tersebut. Text mining memiliki kemampuan
menganalisis data dalam big data dengan mengadopsi algoritma-algoritma yang
sesuai untuk menghasilkan pola yang diinginkan dari sebuah text yang tidak
terstruktur. Text mining melibatkan penggunaan NPL ( Natural Language
processing) yang mampu menerapkan prinsip-prinsip linguistik komputasional
untuk menguraikan dan menginterpretasikan set data. [ CITATION Gar18 \l 1057
].
Cara kerja text mining melalui lima proses ditunjukkan pada Gambar 2.1
dibawah ini. [ CITATION Igg06 \l 1057 ]

7
 seleksi data set dan sample termasuk didalamnya
Selection data information retreival, kategorisasi dan
klasterisasi

Fokus pada data cleaning and cleansing termasuk

Preprocessing menghilangkan data noise dan mengatasi informasi
yang hilang atau tidak lengkap

mengurangi jumlah variabel yang tidak diperlukan.

Transformation didalamnya terdapat kegiatan disambiguation dan
term clustering

menghasilkan pattern yang berguna pada koleksi

data mining teks

Interpretation/ mengidentifikasi key content dari berbagai macam

sumber, key content ini dapat merepresentasikan
evaluation keseluruhan teks secara akurat

Gambar 2. 2 Tahapan Text Mining

Pada tahap selection menggunakan metode untuk mengklasifikasi teks. Berikut ini
adalah beberapa metode yang digunakan untuk mngklasifikasi teks.

Gambar 2. 3 Algoritma untuk klasifikasi teks

8
Masing-masing algoritma memiliki kelebihan dan kekurangan masing-masing.
begitu juga dapam implementasinya, algoritma tertentu akan bekerja secara
maksimal ( memiliki tingkat akurasi tinggi) jika digunakan untuk
mengklasifikasikan data yang sesuai.

Algoritma Naive Bayes

Algoritma Naive Bayes merupakan sebuah metode klasifikasi yang
menggunakan probabilitas pada machine learning. Algoritma ini bersifat
statistikal dengan kemampuan belajar yang dapat digunakan pada big data
multinomial. Kinerja algoritma naive bayes dapat ditingkatkan dengan mencari
dependensi di antara atribut. Algoritma ini dapat digunakan dalam aplikasi pra-
pemrosesan data karena kemudahan perhitungan. Penalaran Bayesian dan
probabilitas probabilitas digunakan dalam memprediksi kelas target. Atribut
memainkan peran penting dalam klasifikasi. Oleh karena itu, menetapkan nilai
bobot yang berbeda untuk atribut berpotensi dapat meningkatkan kinerja.
[ CITATION Suc15 \l 1057 ]
Naive Bayes merupakan algoritma yang cocok digunakan untuk
menandai email sebagai spam / ham, klasifikasikan artikel berdasarkan konten,
analisis / emosi. Tahapan algoritma naive bayes adalah:

1. Menghitung jumlah kelas/ label

2. Menghitung jumlah kasus per kelas
3. Mengalikan semua variabel kelas
4. Membandingkan hasil perkelas

9
BAB III
METODE PENELITIAN

Pada bab ini akan dijelaskan tentang metodologi penelitian, metode penelitian dan
perancangan penelitian.
Langkah-langkah Penelitian
Untuk mendukung terciptanya sebuah aplikasi booking service yang
dilengkapi dengan klusterisasi jenis service, maka diperlukan langkah-langkah
penelitian yang dijabarkan dalam Gambar 3.1.

analisis
kebutuhan perancangan
wawancara pembanguna
data dan penentuan
mendalam n aplikasi
kebutuhan algoritma
sistem

Gambar 3.1 Urutan Langkah Penelitian

Pembangunan aplikasi berbasis website menggunakan metode waterfall, dimana
pembangunan aplikasi akan memiliki langkah-langkah sebagai berikut:
1. Wawancara mendalam
Dari hasil wawancara yang dilakukan, bisnis proses kegiatan klasifikasi
waktu kedatangan pelanggan masih dilakukan oleh operator. Sehingga
semua kegiatan service mobil masih mengandalkan operator. Bagan dari
kegiatan klasifikasi terlihat pada Gambar 3.1

Klasifikasi oleh operator

Pesan text interaktif Klasifikasi waktu kedatangan

Gambar 3. 1 Kegiatan Klasifikasi waktu kedatangan pelanggan

Penjelasan Gambar 3.1 : pesan teks yang dikirim oleh pelanggan akan
diterima oleh operator. Operator akan mengolah data pesan interaktif
tersebut sehingga masuk dalam kategori service terstandar. Proses ini

10
 akan memakan waktu yang lama sehingga pekerjaan kurang efisien
untuk dilakukan.
2. Analisis kebutuhan data dan analisis kebutuhan sistem
Analisis kebutuhan data dan analisis kebutuhan dalam pembangunan
sistem dapat disimpulkan dari pelaksanaan wawancara kepada PT Tunas
Toyota. Sementara tahapan penelitian belum terlaksana, maka analisis data
terhadap aplikasi yang akan dibangun adalah:
a. Data pesan interaktif yang berasal dari SMS atau whatsApp pelanggan
yang dikirimkan kepada operator
b. Data pit service pada PT. Tunas Toyota.
c. Data mekanik yang bekerja pada hari tersebut.
d. Data jenis service standar dari PT. Tunas Toyota.
Dalam membangunan sistem untuk klasifikasi waktu kedatangan
pelanggan maka fungsi utama yang harus ada pada sistem adalah:
a. Sistem memiliki kemampuan mengolah data pesan interaktif
b. Sistem dapat mengklasifikasikan data pesan tersebut dalam jenis
service terstandar PT. Tunas Toyota.
c. Sistem dapat mengatur waktu antrian berdasarkan pada klasifikasi
service, pit service dan mekanik yang tersedia.
3. Tahapan selanjutnya adalah perancangan arsitektur sistem dari text mining
yang akan dilakukan dengan memanfaatkan algoritma naive bayes.
Berikut ini adalah rancangan imlpementasi dari text mining untuk
klasifikasi waktu kedatangan pelanggan. Pada Gambar 3.1 menunjukkan
perbedaan yang signifikan dengan Gambar 3.2. gambar 3.1 menunjukkan
bahwa yang menentukan klasifikasi terhadap waktu kedatangan adalah
operator dari PT. Tunas Toyota sedangkan pada Gambar 3.2 menunjukkan
jenis service yang akhirnya merujuk pada waktu kedatangan pelanggan
dilakukan oleh sistem. Dengan dibangunnya rancangan 3.2 diharapkan
mengurangi waktu tunggu bengkel sehingga pekerjaan dari operator lebih
cepat terselesaikan dengan bantuan sistem yang diusulkan. Dengan
pengurangan waktu tunggu untuk klasifikasi diharapakn bengkel akan

11
 dapat meningkatkan pelayanan terhadap pelanggan dan kinerja operator
menjadi lebih baik.

Pesan text interaktif

selection

Data pit

Klasifikasi waktu kedatangan Naive Bayes Classifier

Data mekanik

Gambar 3. 2 Perancangan arsitektur sistem yang diusulkan

4. Pembangunan aplikasi
Tahapan akhir penelitian ini adalah pembangunan aplikasi berbasis
website dengan spesifikasi perangkat lunak berupa:
1. Bahasa pemrograman PHP
2. Penyimpanan data menggunakan basis data MySQL
3. HTML 5
Sedangkan perangkat keras yang dibutuhkan adalah laptop dengan
spesifikasi processor core i7, RAM 8 GB, operating sistem windows 8
dengan 64 – bit.

12
 BAB IV
BIAYA DAN JADWAL PENELITIAN

4.1 Biaya
Tabel 4.1 adalah tabel yang berisi ringkasan biaya penelitian yang akan
dilaksanakan.
Tabel 4. 1Ringkasan biaya yang dibutuhkan
No Jenis Pengeluaran Prosentasi Biaya yang diperlukan
1. Sewa Alat - -
2. Bahan 45% Rp. 3.600.000,00
3. Biaya Akomodasi dan 25% Rp. 2.000.000,00
uang harian
4. Biaya Transportasi 14,4% Rp. 1.150.000,00
5. Lain-lain 15,6% Rp. 1.250.000,00
TOTAL Rp. 8.000.000,00

4.2 Jadwal Penelitian

Tabel 4. 2 Jadwal penelitian

N Bulan Ke-
Uraian
o 1 2 3 4 5 6 7 8
I Pengajuan dan Seleksi
Usulan
II Pengumpulan Data
III Analisa Data
IV Desain Data
V Desain sistem
VI Pembangunan aplikasi
VI Seminar Hasil dan Pelaporan
I

13
DAFTAR PUSTAKA

Adhiwijaya, I., 2006. Text Mining and Knowledge Discovery, s.l.: s.n.

Afrina, M. & Ibrahim, A., 2012. PENGEMBANGAN MODEL SISTEM

INFORMASI PERPUSTAKAAN DENGAN TEKNOLOGI INFORMASI
BERBASIS WIRELESS APLICATION PROTOCOL(WAP)PADA
UNIVERSITAS SRIWIJAYA. Jurnal Sistem Informasi, 4 Nomor 1(e-ISSN :
2355-4614), p. 12.

Apriliana, Ransi, N. & Nangi, J., 2017. Implementasi Text Mining Klasifikasi
Skripsi Menggunakan Naive Bayes Classifier. Semantik, Volume 3 Nomor 2.

Felmand, R. & Sanger, J., 2007. The Text Mining Handbook : Advanced
Approaches in Analysis Unstructured Data. Cambridge: Cambridge University
Press.

Hermanto, A., 2016. Implementasi Text Mining Menggunakan Naive Bayes

Untuk Menentukan Kategori Tugas Akhir Mahasiswa Berdasarkan Abstraksinya.
Konvergensi, Volume 12 Nomor 2.

Indonesia, G. C., 2018. Apa Itu Text Mining?. [Online]

Available at: https://garudacyber.co.id/artikel/1254-apa-itu-text-mining
[Diakses 29 Januari 2020].

Indraloka, D. S. & Santoso, B., 2017. Penerapan Text Mining Untuk Clustering
Data Tweet Dhopee Indonesia. Jurnal Sain dan Seni ITS, 6(2).

Somantri, Oman. 2017. Text Mining Untuk Klasifikasi Kategori Cerita Pendek
Menggunakan Naive Bayes. Telematika Volume 12 Nomor 3

Sucar, L., 2015. Bayesian Clasifier. Dalam: Probabilistic Graphical Models.

s.l.:Springler, pp. 41-6

14