PROPOSAL PENELITIAN
TENTANG
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
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
i
Chapter 3 IDENTITAS DAN URAIAN UMUM PENELITIAN
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
iii
DAFTAR ISI
RINGKASAN
Kata Kunci : aplikasi, text mining, kategori service, pesan interaktif, naive bayes
1
BAB 1
PENDAHULUAN
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.
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.
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
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
Pada tahap selection menggunakan metode untuk mengklasifikasi teks. Berikut ini
adalah beberapa metode yang digunakan untuk mngklasifikasi 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.
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
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.
Data pit
Data mekanik
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
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.
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.
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
14