Jurnal 31

LSA merupakan salah satu metode penilaian esei yang digunakan pada IEA dimana
memiliki acceptance (kecocokan) dengan human raters sebesar 85% – 91%. Dalam
pemeriksaaan jawaban esai dengan metode LSA langkah awal yang dilakukan adalah
merepresentasikan tulisan, dalam hal ini jawaban kunci dosen dan jawaban mahasiswa, ke
dalam sebuah matriks. Pada matriks jawaban dosen, tiap sel merepresentasikan jumlah
kehadiran kata kunci jawaban dosen pada tiap kalimat. Sedangkan pada matriks jawaban
mahasiswa, tiap sel merepresentasikan jumlah kata kunci jawaban dosen yang ada di dalam
tiap kalimat jawaban mahasiswa. Selanjutnya kedua matriks ini dilakukan proses Singular
Value Decomposition atau SVD. Setelah dilakukan proses SVD, vektor jawaban mahasiswa
dan vektor jawaban dosen akan dihitung kemiripannya. Vektor ini yang kemudian
dibandingkan dengan vektor jawaban esai mahasiswa, lalu dipilih mana yang terbaik, secara
otomatis. q adalah vektor query dan d adalah vektor dokumen. Automated Essay Grading
System adalah suatu sistem yang menghitung kemiripan (korelasi) antara jawaban kunci
(query) dengan jawaban mahasiswa (dokumen). Teknik korelasi yang umum digunakan
adalah dengan mencari nilai kosinus sudut yang dibentuk antara vektor query dan vektor
dokumen. Semua data jawaban baik mahasiswa maupun dosen yang akan diolah sebelumnya
mengalami preprocessing text. Setelah dilakukan proses preprosessing langkah selanjutnya
adalah pembuatan matriks baik jawaban dosen maupun jawaban mahasiswa. Setelah matriks
terbentuk keduanya dilakukan proses SVD yang kemudian dilanjutkan rekonstruksi matriks
dengan Truncated SVD. Langkah selanjutnya adalah proses pembentukan vektor query
maupun vektor dokumen. Kemudian ketika vektor sudah terbentuk, antara jawaban dosen
dan jawaban mahasiswa dihitung similaritasnya. Dalam hal ini dilakukan proses rekonstruksi
matriks hasil SVD. Matrks hasil rekonstruksi ini dibentuk karena adanya proses
pengurangan dimensi matriks singular S(n x n) menjadi S(t x t) , dimana t << n. Pada
penilaiaan sistem, jawaban yang bernilai tinggi adalah jawaban yang mengandung kata
kunci yang diberikan oleh dosen, memiliki jumlah kata kunci yang hampir sama, serta
memiliki jumlah kemunculan kata kunci pada tiap kalimat yang hampir sama dengan
jawaban dosen. Sedangkan nilai yang berbeda namun tidak terlalu signifikan (0-10 poin)
menunjukkan bahwa proses stemming telah berjalan baik pada jawaban esei soal tersebut.
Dari data pada Tabel 3 dapat dianalisis bahwa nilai yang dihasilkan oleh AEGS pada
pengujian-dengan-stemming dan pada pengujian-tanpa-stemming rata-rata hanya memiliki
perbedan dibawah 1 % yaitu 0,49% dan 0, 63%. (20 kalimat)

LSA merupakan salah satu metode penilaian esei yang digunakan pada IEA dimana
memiliki acceptance (kecocokan) dengan human raters sebesar 85% – 91%. Dalam
pemeriksaaan jawaban esai dengan metode LSA langkah awal yang dilakukan adalah
merepresentasikan tulisan, dalam hal ini jawaban kunci dosen dan jawaban mahasiswa, ke
dalam sebuah matriks. Selanjutnya kedua matriks ini dilakukan proses Singular Value
Decomposition atau SVD. Vektor ini yang kemudian dibandingkan dengan vektor jawaban
esai mahasiswa, lalu dipilih mana yang terbaik, secara otomatis Automated Essay Grading
System adalah suatu sistem yang menghitung kemiripan (korelasi) antara jawaban kunci
(query) dengan jawaban mahasiswa (dokumen). Teknik korelasi yang umum digunakan
adalah dengan mencari nilai kosinus sudut yang dibentuk antara vektor query dan vektor
dokumen. Semua data jawaban baik mahasiswa maupun dosen yang akan diolah
sebelumnya mengalami preprocessing text. Matrks hasil rekonstruksi ini dibentuk karena
adanya proses pengurangan dimensi matriks singular S(n x n) menjadi S(t x t) , dimana t <<
n. Pada penilaiaan sistem, jawaban yang bernilai tinggi adalah jawaban yang mengandung
kata kunci yang diberikan oleh dosen, memiliki jumlah kata kunci yang hampir sama, serta
memiliki jumlah kemunculan kata kunci pada tiap kalimat yang hampir sama dengan
jawaban dosen. Dari data pada Tabel 3 dapat dianalisis bahwa nilai yang dihasilkan oleh
AEGS pada pengujian-dengan-stemming dan pada pengujian-tanpa-stemming rata-rata
hanya memiliki perbedan dibawah 1 % yaitu 0,49% dan 0, 63%. (10 kalimat)

LSA merupakan salah satu metode penilaian esei yang digunakan pada IEA dimana
memiliki acceptance (kecocokan) dengan human raters sebesar 85% – 91%. Automated
Essay Grading System adalah suatu sistem yang menghitung kemiripan (korelasi) antara
jawaban kunci (query) dengan jawaban mahasiswa (dokumen). Teknik korelasi yang umum
digunakan adalah dengan mencari nilai kosinus sudut yang dibentuk antara vektor query dan
vektor dokumen. Pada penilaiaan sistem, jawaban yang bernilai tinggi adalah jawaban yang
mengandung kata kunci yang diberikan oleh dosen, memiliki jumlah kata kunci yang hampir
sama, serta memiliki jumlah kemunculan kata kunci pada tiap kalimat yang hampir sama
dengan jawaban dosen. Dari data pada Tabel 3 dapat dianalisis bahwa nilai yang dihasilkan
oleh AEGS pada pengujian-dengan-stemming dan pada pengujian-tanpa-stemming rata-rata
hanya memiliki perbedan dibawah 1 % yaitu 0,49% dan 0, 63%. (5 kalimat)

Jurnal 32

Guna memaksimalkan pemanfaatan forum diskusi online teutama kaitannya dengan

proses pembelajaran, monitoring dan controlling sistem perlu dilakukan. Dengan
menerapkan berbagai teknik pengujian apakah melalui pemberian nilai bobot pada TF-
IDF ataupun perhitungan nilai F-measure terlihat bahwa TF-IDF ini memberikan nilai
akurasi yang lebih baik daripada metode lainnya salah satunya adalah algoritma
genetika. Dengan melakukan summarization setiap dokumen postingan materi ajar yang
kemudian dibandingkan dengan ringkasan dokumen komentar peserta, pembobotan TF-
IDF untuk masing-masing dokumen dilakukan. Sehingga sistem akan menentukan
apakah komentar peserta berikut layak tetap berada pada forum diskusi atau terdeteksi
sebagai spam. Proses yang berjalan dalam sistem temu kembali informasi adalah proses
indexing subsystem, yang merupakan proses persiapan ulang dilakukan terhadap
dokumen sehingga dokumen siap diproses,dan searching subsystem (macthingsystem)
yang merupakan proses menemukan kembali informasi (dokumen) yang relevan
terhadap query yang diberikan. Tujuan dilakukan pre-processing adalah memilih setiap
kata dari dokumen dan merubahnya menjadi kata dasar yang memiliki arti sempit dan
proses teks mining akan memberikan hasil yang lebih memuaskan. Adapun
algoritma yang digunakan untuk menghitung bobot (W) masing-masing
dokumen terhadap kata kunci (query) yaitu: Wdt  tf d ,t  idft. Metode Cosine
Similarity merupakan metode yang digunakan untuk menghitung similarity (tingkat
kesamaan) antar dua objek. Cosine similarity ini dihitung berdasarkan nilai cosinus sudut
antara dua vektor. Tahap Analisa dilakukan dengan menganalisis metode mesin
Information Retrieval yang digunakan meliputi analisis Text Preprocessing untuk koleksi
dokumen (corpus) yaitu: Pemecahan kalimat, Case folding, Filtering kalimat, Tokenisasi
kata dan Stemming. Selanjutnya analisis Algoritma TF-IDF dilakukan melalui
serangkaian aktivitas untuk: Menghitung banyak kata dalam kalimat, Menghitung
banyak kata dalam dokumen, Menghitung nilai inverse document frequency,
Menghitungnilai bobot katadan Menghitung nilai akumulatif W untuk setiap kalimat.
Analisis Algoritma Cosine Similarity digunakan untuk menghitung kesamaan antar 2
buah objek yang dinyatakan dalam 2 buah vektor dengan menggunakan keyword dari
sebuah dokumen sebagai ukuran. Terakhir Algoritma Maximum Marginal
Relevance(MMR) dianalisis untuk meringkas dokumen tunggal atau multi dokumen
dengan menghitung kesamaan (similarity) antara bagian teks. Proses pembangunan
perangkat lunak pada aplikasi sistem ini menerapkan model Waterfall dengan
menggunakan Context Diagram dan Data Flow Diagram sebagai tools yang
menggambarkan hasil analisis model. Guna membuktikan keberhasilan hipotesa dan
optimalitas capaian sistem, maka pengujian blackbox, akurasi dan User Accaptance Test
dilakukan. Dokumen yang sudah diringkas diukur nilai bobot relevansinya dengan
komentar yang diberikan oleh peserta, sehingga dapat ditentukan kelayakan komentar
tersebut untuk tetap dipertahankan atau tidak pada forum diskusi. Komentar yang tidak
layak, adalah komentar yang bernilai nol (0) dari nilai keseluruhan perbandingan
postingan yang telah diringkas dengan komentar. Sistem memiliki 2 aktor utama yaitu
admin yang bisa juga berfungsi sebagai tenaga pengajar dan user sebagai peserta yang
ikut berpartisipasi pada forum diskusi. Pengujian blackbox terhadap setiap fungsi
aplikasi yang digunakan 100% berjalan dengan baik sesuai dengan tahapan dan metode
yang diterapkan. Pengujian blackbox dan UAT telah memberikan hasil yang dapat
menyimpulkan bahwa sistem ini layak dan dapat digunakan untuk membantu proses
monitoring diskusi online. (20 kalimat)

Guna memaksimalkan pemanfaatan forum diskusi online teutama kaitannya dengan

proses pembelajaran, monitoring dan controlling sistem perlu dilakukan. Dengan
melakukan summarization setiap dokumen postingan materi ajar yang kemudian
dibandingkan dengan ringkasan dokumen komentar peserta, pembobotan TF-IDF untuk
masing-masing dokumen dilakukan. Proses yang berjalan dalam sistem temu kembali
informasi adalah proses indexing subsystem, yang merupakan proses persiapan ulang
dilakukan terhadap dokumen sehingga dokumen siap diproses,dan searching subsystem
(macthingsystem) yang merupakan proses menemukan kembali informasi (dokumen)
yang relevan terhadap query yang diberikan. Tujuan dilakukan pre-processing adalah
memilih setiap kata dari dokumen dan merubahnya menjadi kata dasar yang memiliki
arti sempit dan proses teks mining akan memberikan hasil yang lebih memuaskan.
Tahap Analisa dilakukan dengan menganalisis metode mesin Information Retrieval yang
digunakan meliputi analisis Text Preprocessing untuk koleksi dokumen (corpus) yaitu:
Pemecahan kalimat, Case folding, Filtering kalimat, Tokenisasi kata dan Stemming.
Selanjutnya analisis Algoritma TF-IDF dilakukan melalui serangkaian aktivitas untuk:
Menghitung banyak kata dalam kalimat, Menghitung banyak kata dalam dokumen,
Menghitung nilai inverse document frequency, Menghitungnilai bobot katadan
Menghitung nilai akumulatif W untuk setiap kalimat. Analisis Algoritma Cosine
Similarity digunakan untuk menghitung kesamaan antar 2 buah objek yang dinyatakan
dalam 2 buah vektor dengan menggunakan keyword dari sebuah dokumen sebagai
ukuran. . Dokumen yang sudah diringkas diukur nilai bobot relevansinya dengan
komentar yang diberikan oleh peserta, sehingga dapat ditentukan kelayakan komentar
tersebut untuk tetap dipertahankan atau tidak pada forum diskusi. Pengujian blackbox
terhadap setiap fungsi aplikasi yang digunakan 100% berjalan dengan baik sesuai dengan
tahapan dan metode yang diterapkan. Pengujian blackbox dan UAT telah memberikan
hasil yang dapat menyimpulkan bahwa sistem ini layak dan dapat digunakan untuk
membantu proses monitoring diskusi online. (10 kalimat)

Proses yang berjalan dalam sistem temu kembali informasi adalah proses indexing subsystem,
yang merupakan proses persiapan ulang dilakukan terhadap dokumen sehingga dokumen siap
diproses, dan searching subsystem (macthingsystem) yang merupakan proses menemukan
kembali informasi (dokumen) yang relevan terhadap query yang diberikan. Tahap Analisa
dilakukan dengan menganalisis metode mesin Information Retrieval yang digunakan meliputi
analisis Text Preprocessing untuk koleksi dokumen (corpus) yaitu: Pemecahan kalimat, Case
folding, Filtering kalimat, Tokenisasi kata dan Stemming. Selanjutnya analisis Algoritma
TF-IDF dilakukan melalui serangkaian aktivitas untuk: Menghitung banyak kata dalam
kalimat, Menghitung banyak kata dalam dokumen, Menghitung nilai inverse document
frequency, Menghitungnilai bobot katadan Menghitung nilai akumulatif W untuk setiap
kalimat. Dokumen yang sudah diringkas diukur nilai bobot relevansinya dengan komentar
yang diberikan oleh peserta, sehingga dapat ditentukan kelayakan komentar tersebut untuk
tetap dipertahankan atau tidak pada forum diskusi. Pengujian blackbox dan UAT telah
memberikan hasil yang dapat menyimpulkan bahwa sistem ini layak dan dapat digunakan
untuk membantu proses monitoring diskusi online. (5 kalimat)

JURNAL 33
Berdasarkan laporan perusahaan riset We Are Social tanggal 26 Januari 2017 menyebutkan
bahwa “Indonesia sebagai jumlah pengguna internet terbesar urutan ketiga di dunia dengan
jumlah 132,7 juta”. Fitur yang ditawarkan diantaranya adalah fitur komentar, dimana
pelanggan bebas memberikan pernilaian terhadap barang yang sudah dibeli. Selain itu,
responden juga memberikan pernyataan bahwa mereka membutuhkan ringkasan komentar
dari setiap pelanggan yang melalukan transaksi dan mempertimbangkan komentar
pelanggan yang berisi kriteria smartphone yaitu memori, jaringan, kamera, simcard, dan
kemampuan konektifitas smartphone. Sentiment Analysis merupakan sebuah teknik yang
digunakan untuk menentukan kalimat positif, negatif, dan netral. Tugas utama dari
sentiment analysis adalah mengklasifikasian perbedaan pada satu kalimat atau dokumen
yang menggambarkan adanya kata sentiment positif, negatif, dan netral [3]. Fitur tf-idf
pada penelitian yang dilakukan oleh Hidayatullah, dkk [7] menghasilkan akurasi tinggi.
Pada penelitian yang dilakukan oleh Indrayani dan Wahyudi [8] menggunakan N-Gram
menunjukkan akurasi tinggi pada ekstrasi fitur three- gram dibanding dengan uni-gram dan
bi-gram. Dengan melihat penjabaran pada studi pustaka yang sudah dilakukan, peneliti
menggunakan fitur tf-idf dengan pendukung N-Gram untuk melakukan pengolahan data
komentar. Penelitian yang dilakukan ini menggunakan objek komentar pelanggan
terhadap pembelian smartphone pada e-commerce dengan kriteria tertentu. Pengambilan
data pada e-commerce tersebut dengan sesuai smartphone yang sudah dipilih dapat
dilakukan dengan proses crawling. Data yang diperoleh dari hasil crawling untuk
selanjutnya dilakukan proses preprocessing untuk mendapatkan kalimat yang lebih baik.
Proses tokenizing dilakukan untuk memisahkan atau menghapus seluruh tanda baca,
karakter, dan angka yang terdapat dalam data komentar. Proses filtering ini adalah untuk
menghapus setiap kata-kata yang tidak memiliki arti atau kata-kata yang sering muncul
pada data komentar.. Proses stemming digunakan untuk mengubah setiap kata pada data
komentar menjadi kata dasarnya. Hasil proses preprocessing selanjutnya akan diberikan
klasifikasi berdasarkan kalimat sentiment yaitu positif, negatif, dan netral. Proses
menentukan klasifikasi komentar terhadap kata dengan melihat pada kriteria memori,
jaringan, kamera, simcard, dan konektifitas pada komentar. Nilai klasifikasi pada proses
ini adalah 1 untuk positif, -1 untuk negatif, dan 0 untuk netral berdasarkan kriteria. Hasil
klasifikasi disimpan dalam database agar dapat dilakukan proses perhitungan tf,df, dan idf.
Pada penelitian ini, penghitungan tf dilakukan berdasarkan kemunculan suatu term pada
dokumen yang memiliki nilai pada masing-masing spesifikasi. Ekstrasi tf-idf dapat
digunakan untuk mengetahui nilai term kemunculan suatu kata terhadap dokumen. (20
kalimat)

Berdasarkan laporan perusahaan riset We Are Social tanggal 26 Januari 2017 menyebutkan
bahwa “Indonesia sebagai jumlah pengguna internet terbesar urutan ketiga di dunia dengan
jumlah 132,7 juta”. Fitur yang ditawarkan diantaranya adalah fitur komentar, dimana
pelanggan bebas memberikan pernilaian terhadap barang yang sudah dibeli. Selain itu,
responden juga memberikan pernyataan bahwa mereka membutuhkan ringkasan komentar
dari setiap pelanggan yang melalukan transaksi dan mempertimbangkan komentar
pelanggan yang berisi kriteria smartphone yaitu memori, jaringan, kamera, simcard, dan
kemampuan konektifitas smartphone. Tugas utama dari sentiment analysis adalah
mengklasifikasian perbedaan pada satu kalimat atau dokumen yang menggambarkan
adanya kata sentiment positif, negatif, dan netral [3]. Dengan melihat penjabaran pada
studi pustaka yang sudah dilakukan, peneliti menggunakan fitur tf-idf dengan pendukung
N-Gram untuk melakukan pengolahan data komentar. Penelitian yang dilakukan ini
menggunakan objek komentar pelanggan terhadap pembelian smartphone pada e-
commerce dengan kriteria tertentu. Pengambilan data pada e-commerce tersebut dengan
sesuai smartphone yang sudah dipilih dapat dilakukan dengan proses crawling.Nilai
klasifikasi pada proses ini adalah 1 untuk positif, -1 untuk negatif, dan 0 untuk netral
berdasarkan kriteria. Hasil klasifikasi disimpan dalam database agar dapat dilakukan
proses perhitungan tf,df, dan idf. Pada penelitian ini, penghitungan tf dilakukan berdasarkan
kemunculan suatu term pada dokumen yang memiliki nilai pada masing-masing
spesifikasi. (10 kalimat)
Berdasarkan laporan perusahaan riset We Are Social tanggal 26 Januari 2017 menyebutkan
bahwa “Indonesia sebagai jumlah pengguna internet terbesar urutan ketiga di dunia dengan
jumlah 132,7 juta”. Selain itu, responden juga memberikan pernyataan bahwa mereka
membutuhkan ringkasan komentar dari setiap pelanggan yang melalukan transaksi dan
mempertimbangkan komentar pelanggan yang berisi kriteria smartphone yaitu memori,
jaringan, kamera, simcard, dan kemampuan konektifitas smartphone. Tugas utama dari
sentiment analysis adalah mengklasifikasian perbedaan pada satu kalimat atau dokumen yang
menggambarkan adanya kata sentiment positif, negatif, dan netral [3]. .Nilai klasifikasi pada
proses ini adalah 1 untuk positif, -1 untuk negatif, dan 0 untuk netral berdasarkan kriteria.
Hasil klasifikasi disimpan dalam database agar dapat dilakukan proses perhitungan tf,df, dan
idf. (5 kalimat)