Algoritma Pengenalan Pola Smith-Waterman untuk Deteksi

Kemiripan Dokumen

Oleh :
NI MADE MERILIANA CANDRA DEVI (1705551022)
ANAK AGUNG AYU SINTYA DEWI (1705551028)

PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS TEKNIK
UNIVERSITAS UDAYANA
2020
1. Algoritma Smith-Waterman
Algoritma Smith-Waterman adalah suatu metode permrograman dinamis
untuk mendapatkan keselarasan lokal yang optimal antara dua urutan [1]. Algoritma
ini merupakan salah algoritma yang dikenal luas dalam bidang bioinformatika.
Algoritma ini digunakan untuk mengidentifikasi local similarities (penyajaran
sekuens) yaitu proses melakukan penyusunan dua buah local sequences (rangkaian
atau rentetan) nucleotide atau protein sequences sehingga kemiripannya dapat terlihat
[2]. Prinsip yang digunakan dalam algoritma ini menggunakan prinsip optimasi, yaitu
setiap langkah yang diambil merupakan langkah yang paling maksimum. Skor yang
diberikan merupakan skor yang terbesar dari segala kemungkinan langkah
pembentuknya [3].

2. Cara Kerja Algoritma Smith-Waterman

Cara kerja dari Algoritma Smith-Waterman dibagi menjadi 3 tahapan yaitu
pertama membuat tabel skor, kedua melakukan traceback terhadap tabel skor yang
telah dibuat, dan tahap yang terakhir adalah menentukan skor dan presentase dari
similarity.
2.1 Pembuatan Tabel Skor
Cara kerja dari algoritma Smith-Waterman dilakukan dengan membuat tabel
skor terlebih dahulu. Tabel skor ini akan digunakan untuk mengetahui kecocokan dari
dua buah string yang dibandingkan. Berikut merupakan tampilan dari tabel skor yang
digunakan pada Algoritma Smith-Waterman.
 Gambar 1 Tabel Skor
Gambar 1 merupakan tampilan dari tabel skor yang digunakan pada
Algoritma Smith-Waterman. Ukuran dari tabel yang dibuat yaitu n+1 dan m+1,
dimana n dan m merupakan panjang dari karakter atau string yang digunakan. Bobot
dari skor pada baris dan kolom pertama akan diisi dengan angka 0 (H i,0 = H0,y = 0) [3],
sedangkan bobot dari skor pada baris dan kolom yang lain didapatkan dengan
menggunakan dua buah persamaan dibawah ini.

Gambar 2 Rumus Persamaan Mencari Skor

Gambar 2 merupakan tampilan dua buah persamaan yang akan digunakan
untuk mendapat skor dari 2 buah karakter yang dibandingkan. Persamaan (i)
digunakan apabila kedua karakter yang dibandingkan tidak sama (mismatch).
Persamaan (ii) akan digunakan apabila karakter yang dibandingkan sama (match) [4].
Semua nilai yang terdapat dalam matrix apabila lebih kecil dari 0 (nol), maka nilai
dianggap 0 (nol) [2]. Keterangan dari kedua persamaan tersebut adalah sebagai
berikut.
 Keterangan :
S (match) = Jika kedua karakter yang dibandingkan sama.
S (mismatch) = Jika kedua karakter yang dibandingkan tidak sama.
W = Jika karakter dipasangkan dengan gap.

Sesuai dengan aturan Algoritma Smith-Waterman, pasangan karakter yang

sama (match) diberi skor positif, untuk pasangan karakter yang tidak sama
(mismatch) serta gap diberi skor negatif [3]. Nilai dari S dan W tidak memiliki nilai
yang tetap semasih mengikuti kaidah dari aturan Algoritma Smith-Waterman.
Penelitian [4] menggunakan nilai S (match) yaitu 5, nilai S (mismatch) dan W yaitu -
3. Penelitian [3] menggunakan nilai S (match) yaitu 5, nilai S (mismatch) yaitu -2,
dan nilai W yaitu -3. Penelitian [2] menggunakan nilai S (match) yaitu 2, nilai S
(mismatch) yaitu -1, dan nilai W yaitu -1.
Contoh dari pembuatan tabel skor pada [5] menggunakan karakter
TGTCAGT dan CTCTGAG. Nilai S (match) yang digunakan yaitu 2, nilai dari S
(mismatch) yaitu -2, dan nilai W yang digunakan yaitu -1. Langkah pertama yang
dilakukan adalah dengan membuat tabel skor dengan jumlah baris yaitu 8 dan jumlah
kolom yaitu 8.
 Gambar 3 Tabel Skor Awal
Gambar 3 merupakan tampilan dari tabel skor awal yang dibuat. Tabel skor
terdiri dari 8 baris dan 8 kolom. Baris dan kolom pertama telah diisi dengan angka 0.
Selanjutnya adalah manambahkan bobot skor kedalam tabel dengan menggunakan
persamaan yang telah ditetapkan. Bobot skor pertama yang akan dicari adalah bobot
skor pada H1,1.
 Gambar 4 Bobot Skor pada H1,1
Gambar 4 merupakan tampilan dari bobot skor pada H 1,1. H1,1 merupakan
perbandingan antara karakter yang berbeda (mismatch) yaitu karakter T dan C
sehingga menggunakan persamaan (i). Persamaan (i) terdiri dari 3 nilai yang harus
dicari. Bobot skor yang digunakan merupakan nilai maksimal dari ketiga nilai yang
telah dicari. Berikut merupakan perhitungan mencari bobot skor menggunakan
persamaan (i).

H1,1 = Max [
H(0,0) + S(1,1),
H(1,0) + W,
H(0,1) + W
]
= Max[
0 + (-2),
0 + (-1),
0 + (-1)
]
= Max[ -2, -1, -1 ]
 Nilai max yang didapatkan berdasarkan perhitungan yang telah dilakukan
dengan menggunakan persamaan (i) yaitu -1. Bobot skor yang bernilai dibawah 0,
pada tabel skor akan dimasukan nilai 0 seperti pada gambar 4.

Gambar 5 Bobot Skor pada H1,2

Gambar 5 merupakan tampilan dari bobot skor pada H 1,2. H1,2 merupakan
perbandingan antara karakter yang sama (match) yaitu karakter T dan T sehingga
menggunakan persamaan (ii). Berikut merupakan perhitungan mencari bobot skor
menggunakan persamaan (i).

H1,2 = H(0,1) + S(1,2) = 0 + 2 = 2

Nilai bobot skor yang didapatkan berdasarkan perhitungan menggunakan

persamaan (ii) yaitu 2. Selanjutnya dilakukan perhitungan kembali sampai akhir, dan
didapatkan hasil yang dapat dilihat pada Gambar 6.
 Gambar 6 Hasil Akhir Tabel Skor
Gambar 6 merupakan tampilan dari hasil akhir dari tabel skor. Seluruh baris
dan kolom sudah dipenuhi dengan bobot skor yang dicari menggunakan persamaan
(i) maupun persamaan (ii) yang telah ditetapkan sebelumnya.

2.2 Traceback
Traceback dilakukan ketika tabel skor sudah terisi penuh. Traceback
dilakukan dengan cara mencari jalur termaksimal dengan membandingkan nilai dari 3
arah, yaitu arah horizontal, vertical, dan diagonal. Contoh dari traceback yang sudah
dilakukan berdasarkan tabel skor yang telah dibuat sebelumnya adalah sebagai
berikut.
 Gambar 7 Hasil Traceback
Gambar 7 merupakan tampilan dari hasil traceback yang didapatkan.
Traceback dimulai dengan mencari nilai maksimum pada tabel. Algoritma kemudian
akan bekerja secara backwards dari nilai maksimumnya (ending value) dan menuju
ke asal dari nilai maksimum tersebut berasal. Ketika nilai dari table sudah menyentuh
nilai 0, maka proses traceback akan berhenti [6]. Tidak selamanya nilai maksimum
ditemukan pada satu cell saja. Terdapat kemungkinan bahwa nilai maksimum
terdapat pada lebih dari satu cell. Apabila hal ini terjadi maka deretan (alignments)
yang digunakan adalah deretan dengan skor terbesar [7]. Cara untuk menghitung skor
tersebut adalah sebagai berikut.

C T C T G A G
| | | | | | |
G T C - - A G
+ + + + + + +
-2 2 2 -1 -1 2 2

Gambar 8 Perhitungan Skor Alignments

 Gambar 8 merupakan tampilan dari perhitungan dari skor alignment.
Karakter yang sama (match) akan diberi skor 2, tidak sama (mismatch) akan diberi
skor -2, dan gap diberi skor -1. Nilai match, mismatch, dan gap disesuaikan dengan
nilai yang digunakan untuk menentukan skor pada tabel skor. Tahap selanjutnya yaitu
menjumlah semua skor yang sudah diberikan. Hasil penjumlahan yang mendapatkan
nilai maksimum akan dianggap sebagai alignment terbaik.

2.3 Skor dan Presentase Similarity

Skor didapatkan dari dengan menghitung hasil dari traceback yang telah
didapatkan. Perhitungan skor berdasarkan traceback sama seperti yang dijelaskan
pada Gambar 8. Semakin tinggi skor yang didapatkan maka pasangan karakter yang
sama (match) lebih banyak daripada pasangan karakter yang tidak sama (mismatch)
[4]. Perhitungan presentase dari similarity dapat dilakukan dengan menggunakan
persamaan berikut.

Presentase = (( jkM / jka ) + ( jkM / jkb ) / 2 )* 100) ...................(iii)

Keterangan :
jkM = Jumlah karakter yang sama
jka = Jumlah karakter pada Hi
jkb = Jumalah karakter pada Hj

Persamaan (iii) merupakan persamaan yang dapat digunakan untuk mencari

presentase tingkat similarity dari 2 buah karakter yang dibandingkan. Nilai persentase
yang dibandingkan bergantung pada banyaknya karakter yang sama dan jumlah
masing-masing dari karakter yang dibandingkan [4]. Dengan menggunakan
perhitungan skor seperti pada Gambar 8 dan perhitungan persentase dengan
menggunakan persamaan (iii) didapatkan jumlah skor 4 dan persentase similarity
sebesar 74,43% dari contoh yang telah dibuat sebelumnya.
3. Penelitian Terkait Algoritma Smith Waterman yang Digunakan untuk
Mendeteksi Kemiripan Dokumen
Tiga paper penelitian terkait Algoritma Smith Waterman yang akan dibahas
mengambil topik penelitian mengenai penerapan Algoritma Smith Waterman untuk
mendeteksi kemiripan dokumen atau tugas yang satu dengan yang lainnya.
Penelitian [3] bertujuan untuk membangun sistem dengan menerapkan
Algoritma Smith Waterman guna mendeteksi kemiripan dokumen teks berbahasa
Indonesia. Flowchart dari penelitian yang dilakukan dapat dilihat pada gambar di
bawah ini.
 Gambar 9 Flowchart Program Deteksi Plagiarisme
Gambar 9 merupakan diagram alir dari penelitian [3], yang di mana tahap
penelitian yang dilakukan yaitu data teks asli dimasukkan terlebih dahulu selanjutnya
diikuti dengan memasukkan data teks yang akan diuji kemiripannya. Langkah
selanjutnya adalah apakah data teks memerlukan tahap preprocessing atau tidak. Jika
yes maka akan langung menuju proses tokenizing, stopword removal, penerapan
algoritma steeming Nazief & Andriani, penerapan Algoritma Smith Waterman, proses
perhitungan similarity, dan terakhir ditampilkannya hasil kemiripan antara kedua teks
tersebut. Namun, jika teks tidak perlu melalui tahap preprocessing maka proses akan
langsung masuk ke tahap tokenizing dan penerapan Algoritma Smith Waterman untuk
kemudian dihitung similarity antara kedua teks serta ditampilkan hasil akhir yang
didapatkan untuk kemiripannya.
Pengujian yang dilakukan pada penelitian [3] menggunakan dokumen asli
berupa karya ilmiah namun terbatas hanya pada bagian abstrak dan pendahuluan saja.
Untuk dokumen uji yang digunakan adalah dokumen asli yang sudah melalui
beberapa perubahan seperti perubahan kata pasif ke aktif, penyisipan kata lain pada
kalimat, serta perubahan struktur kalimat. Skenario pengujian yang dilakukan yaitu
hasil akhir yang dibandingkan akan dilihat dari output hasil pengujian sistem dengan
menerapkan data yang dihasilkan dari tahap preprocessing dan juga data yang tidak
melalui tahap preprocessing. Perbadingan yang dilakukan juga dilihat dari segi waktu
yang dibutuhkan sistem dalam menghasilkan nilai akurasi, baik untuk data yang
melalui tahap preprocessing maupun data yang tidak melalui tahap preprocessing.
Berikut merupakan hasil dari penelitian yang telah dilakukan.

Gambar 10 Hasil Pengujian Algoritma Smith Waterman dengan Preprocessing

Gambar 10 merupakan hasil uji coba deteksi kemiripan dokumen yang telah
dilakukan dengan melalui tahap preprocessing baik untuk dokumen asli maupun
dokumen uji. Rata-rata persentase hasil uji yang didapatkan untuk dokumen 1 sebesar
56.65%, dokumen 2 sebesar 40.32%, dokumen 3 sebesar 50.93%, dokumen 4
sebesar 51.48%, dan dokumen 5 sebesar 65.91%. Persentase kemiripan didapatkan
dengan melakukan perhitungan pada persamaan (iii) yang sudah dijelaskan pada
subbab cara kerja Algoritma Smith Waterman.

Gambar 11 Nilai Pengujian Waktu Algoritma Smith Waterman dengan Preprocessing

Gambar 11 merupakan rata-rata waktu pengujian yang telah dilakukan
dengan menerapakan tahap preprocessing baik untuk dokumen asli maupun dokumen
uji. Rata-rata waktu yang pada percobaan 1 adalah 52,287 detik, percobaan 2 adalah
47,905 detik, percobaan 3 adalah 50,058 detik, dan percobaan 4 adalah 50,008 detik.

Gambar 12 Hasil Pengujian Algoritma Smith Waterman

 Gambar 12 merupakan hasil uji coba deteksi kemiripan dokumen yang telah
dilakukan tanpa melalui tahap preprocessing baik untuk dokumen asli maupun
dokumen uji. Rata-rata persentase hasil uji yang didapatkan untuk dokumen 1 sebesar
53.77%, dokumen 2 sebesar 39.25%, dokumen 3 sebesar 48.25%, dokumen 4
sebesar 49.83%, dan dokumen 5 sebesar 64.66%. Persentase kemiripan didapatkan
dengan melakukan perhitungan pada persamaan (iii) yang sudah dijelaskan pada
subbab cara kerja Algoritma Smith Waterman.

Gambar 13 Nilai Pengujian Waktu Algoritma Smith Waterman

Gambar 13 merupakan rata-rata waktu pengujian yang telah dilakukan tanpa
menerapakan tahap preprocessing baik untuk dokumen asli maupun dokumen uji.
Rata-rata waktu yang pada percobaan 1 adalah 16,386 detik, percobaan 2 adalah
15,392 detik, percobaan 3 adalah 14,986 detik, dan percobaan 4 adalah 15,428 detik.
Hasil dari penelitian [3] yang telah dijelaskan mengindikasikan bahwa
pengujian deteksi kemiripan dokumen menggunakan Algoritma Smith Waterman
yang telah dilakukan memiliki nilai akurasi (similarity) yang lebih baik ketika
membandingkan dokumen dengan melalui tahap preprocessing. Tahap preprocessing
yang dilakukan dapat meningkatkan nilai akurasi karena noise yang terdapat pada
dokumen tidak perlu digunakan dalam pengujian. Namun, dari segi waktu tentunya
pengujian memerlukan waktu yang lebih lama dibadingkan proses tanpa melalui
tahap preprocessing karena terdapat proses tokenization, stopword removal, dan
algoritma stemming Nazief & Andriani yang dilakukan pada suatu dokumen. Rata-
rata hasil pengujian pada dokumen asli dan juga dokumen uji menunjukkan simillarty
lebih dari 50%, yang di mana dapat dinyatakan bahwa telah terjadi tindak plagiarisme
pada suatu dokumen.
Penelitian terkait selanjutnya [4] bertujuan untuk membuat sistem yang
digunakan untuk mengukur tingkat kemiripan tugas kuliah mahasiswa dengan
menggunakan Algoritma Smith Waterman. Flowchart dari penelitian yang dilakukan
dapat dilihat pada gambar di bawah.

Gambar 14 Flowchart Program Deteksi Kemiripan Tugas Mahasiswa

Gambar 14 merupakan diagram alir dari penelitian [4], yang di mana tahap
awal yang dilakukan adalah mahasiswa harus memasukkan tugas ke sistem.
Selanjutnya tugas yang telah dimasukkan ke dalam sistem akan melalui tahap
preprocessing berupa casefolding dan tokenizing. Proses selanjutnya tugas yang telah
melalui tahap preprocessing akan melalui tahap pendeteksian skor dengan
menggunakan Algoritma Smith Waterman. Langkah terakhir akan dilakukan tahap
analisis dan evaluasi.
Data yang digunakan untuk proses training diperoleh dari hasil penelitian di
Fakultas Ilmu Komputer Universitas Muslim Indonesia. Pada penelitian ini
digunakan 9 data latih dari 2 matakuliah yang ada di Fakultas Ilmu Komputer.
Berikut merupakan data tugas yang digunakan dari masing-masing mata kuliah dan
hasil yang didapatkan setelah dilakukan proses pengujian terhadap tugas yang diuji.

Tabel 1 Data Tugas Mata Kuliah Metode Penelitian

Mata Kuliah Kode Tugas Tugas
Metode Penelitian D1 Aplikasi Rental Play Station Batara Indo Game
Metode Penelitian D2 Pengontrolan Lampu Teras dengan Sensor Intensitas
Cahaya Berbasis Mikrokontroller
Metode Penelitian D3 Penerapan Metode Certainty Factor dalam Mendiagnosa
Kanker Nasofaring
Metode Penelitian D4 Sistem Informasi Percetakan
Tabel 1 merupakan data training yang digunakan untuk menguji sistem yang
telah dibuat pada mata kuliah Metode Penelitian dengan jumlah 4 tugas yang berbeda.
Berikut merupakan persentase kemiripan hasil uji dari tugas mahasiswa matakuliah
Metode Penelitian.
 Gambar 15 Persentase Kemiripan Tugas Mata Kuliah Metode Penelitian
Gambar 15 merupakan hasil skor dan persentase kemiripan tugas mahasiswa
untuk matakuliah Metode Penelitian. Terlihat pada gambar bahwa skor tertinggi
adalah pasangan D2 dan D2 dengan nilai 365. Nilai skor yang tinggi menunjukkan
bahwa pasangan D2 dan D2 pasangan karakter yang sama lebih banyak daripada
pasangan karakter yang tidak sama. Sedangkan skor terendah adalah D1 dan D2/D2
dan D1 dengan skor (-139), hal ini menunjukkan bahwa pasangan karakter yang tidak
sama lebih banyak dari pada pasangan karakter yang sama. Dilihat dari hasil skor
bahwa tugas yang paling mirip adalah dengan kode D2 dan D2, sedangkan tugas yang
paling tidak mirip adalah tugas dengan kode D1 dan D2/D2 dan D1.

Tabel 2 Data Tugas Mata Kuliah Technopreneurship

Mata Kuliah Kode Tugas Tugas
Technopreneurship D1 Aplikasi Lowongan Pekerjaan Berbasis WEB
Technopreneurship D2 Sistem Monitoring Ruangan
Technopreneurship D3 Absen Elektronik
Technopreneurship D4 Sistem Resep Elektronik
Technopreneurship D5 Sistem Informasi Percetakan
Tabel 2 merupakan data training yang digunakan untuk menguji sistem yang
telah dibuat pada matakuliah Technopreneurship dengan jumlah 5 tugas yang
berbeda. Berikut merupakan persentase kemiripan hasil uji coba dari tugas mahasiswa
matakuliah Technopreneurship.
 Gambar 16 Persentase Kemiripan Tugas Mata Kuliah Technopreneurship
Gambar 16 merupakan hasil skor dan persentase kemiripan tugas mahasiswa
untuk matakuliah Technopreneurship. Terlihat pada gambar bahwa skor tertinggi
adalah pasangan D1 dan D1 dengan nilai 180. Nilai skor yang tinggi menunjukkan
bahwa pasangan D2 dan D2 pasangan karakter yang sama lebih banyak daripada
pasangan karakter yang tidak sama. Sedangkan skor terendah adalah D1 dan D2/D2
dan D1 dengan skor (-78), hal ini menunjukkan bahwa pasangan karakter yang tidak
sama lebih banyak dari pada pasangan karakter yang sama. Dilihat dari hasil skor
bahwa tugas yang paling mirip adalah dengan kode D1 dan D1, sedangkan tugas yang
paling tidak mirip adalah tugas dengan kode D1 dan D2/D2 dan D1.
Hasil dari penelitian [4] dapat menerapkan Algoritma Smith Waterman
untuk mengukur tingkat kemiripan tugas mahasiswa. Nilai yang dihasilkan oleh
sistem merupakan skor kemiripan tugas. Jadi semakin tinggi skor yang didapat (skor
bernilai positif) maka semakin banyak karakter yang sama, sehingga tingkat
plagiarisme juga semakin tinggi. Sebaliknya, jika semakin rendah skor yang didapat
(skor bernilai negatif) maka semakin sedikit karakter yang sama, sehingga tingkat
plagiarisme juga rendah.
Penelitian terkait [2] bertujuan untuk menguji data berupa teks yang
memiliki ekstensi (.txt), (.doc), dan (.pdf) berbahasa Indonesia. Tahapan penelitian
yang dilakukan yaitu pertama melakukan input dokumen ke dalam sistem, lalu
melakukan konversi huruf pada dokumen menjadi huruf kecil, selanjutnya melakukan
tokenisasi untuk memisahkan karakter dari tanda baca, kemudian menghilangkan
stop words, lalu menerapkan Algoritma Smith Waterman untuk mendeteksi kesamaan
pada dokumen yang diperiksa, langkah terakhir dilakukannya proses perhitungan
bobot. Berikut merupakan data dokumen yang digunakan untuk melakukan pengujian
terhadap sistem yang dibuat.
 Gambar 17 Data Dokumen yang Diuji
Gambar 17 merupakan dokumen yang digunakan untuk melakukan
pengujian deteksi kesamaan pada dokumen. Terdapat lima buah dokumen yang
digunakan untuk diuji dengan struktur kalimat yang berbeda.
 Gambar 18 Hasil Pengujian Dokumen
Gambar 18 merupakan hasil pengujian lima dokumen untuk mendeteksi
kesamaan pada dokumen yang dibandingkan. Dalam membandingkan dokumen berisi
abstrak yang memiliki jumlah kata sekitar 170 kata program membutuhkan waktu
yang cukup lama untuk menghasilkan presentase kemiripan dokumen, yakni sekitaran
10-12 menit untuk menghitung matriks yang dibuat dari algoritma dan menemukan
letak kesamaannya. Setelah dilakukannya pengujian oleh peneliti maka dapat
disimpulkan bahwa Algoritma Smith Waterman dapat digunakan untuk menemukan
letak kesamaan dari keduan dokumen yang dibandingkan serta mampu menemukan
letak terjadinya penghapusan atau penyisipan kata pada kedua dokumen. Adapun
kelemahan yang ditemukan oleh peneliti antara lain Algoritma Smith Waterman
belum mampu membandingkan dokumen dengan data yang lebih banyak serta perlu
digabungkan kembali dengan metode lain guna mendapatkan hasil yang lebih
maksimal untuk efisiensi waktu. Program yang dibuat oleh peneliti bukanlah sistem
yang mampu melakukan justifikasi bahwa dokumen yang memiliki tingkat persentasi
kesamaan yang tinggi adalah dokumen yang melakukan plagiat.
 DAFTAR PUSTAKA

[1] Y. Munekawa, F. Ino, and K. Hagihara, “Design and Implementation of the

Smith-Waterman Algorithm on the CUDA-Compatible GPU,” 8th IEEE Int.
Conf. Bioinforma. Bioeng. BIBE 2008, no. 2, 2008, doi:
10.1109/BIBE.2008.4696721.
[2] F. B. Djafar, A. Lahinta, and L. Hadjaratie, “Penerapan Algoritma Smith-
Waterman dalam Sistem Pendeteksi Kesamaan Dokumen,” 2014.
[3] B. Sari and Y. Sibaroni, “Deteksi Kemiripan Dokumen Bahasa Indonesia
Menggunakan Algoritma Smith- Waterman dan Algoritma Nazief &
Andriani,” Ind. J. Comput., vol. 4, pp. 87–98, 2019, doi:
10.21108/indojc.2019.4.3.365.
[4] L. Amsir, S. Anraeni, P. Lestari, and L. Belluano, “Penerapan Algortima Smith
Waterman Untuk Mengukur Kemiripan Tugas Kuliah Mahasiswa
Implementation of Smith Waterman Algorithm In Measuring of Student Task
Study,” in Prosiding Seminar Nasional Komunikasi dan Informatika, 2019, no.
2009, pp. 63–68.
[5] C. Ruan, E. Hoberg, M. Kinkley, and Y. Tou, “Smith-Waterman String
Comparison.” [Online]. Available: https://cse442-17f.github.io/Prims-and-A-
Star/. [Accessed: 13-Dec-2020].
[6] A. Khajeh-Saeed, S. Poole, and J. Blair Perot, “Acceleration of the Smith-
Waterman algorithm using single and multiple graphics processors,” J.
Comput. Phys., vol. 229, no. 11, pp. 4247–4258, 2010, doi:
10.1016/j.jcp.2010.02.009.
[7] “Smith-Waterman Algorithm - Local Alignment of Sequences (Theory) :
Bioinformatics Virtual Lab II : Biotechnology and Biomedical Engineering :
Amrita Vishwa Vidyapeetham Virtual Lab.” [Online]. Available:
http://vlab.amrita.edu/?sub=3&brch=274&sim=1433&cnt=1. [Accessed: 13-
Dec-2020].