arsip.e-jmii.orgarsip.e-jmii.org/download/jmii vol 2 no 1 2017/jmii vol 2 no 2...

JURNAL MASYARAKAT INFORMATIKA INDONESIA

Vol 2, No 2, Tahun 2017

Analisis Klasifikasi pada Dataset Cerita Anak Indonesia Menggunakan Metode Rule Based Classifier

Claudia Ernestina Aurora, Ika Monica, Irasanti Primabara, Lilin

PLAGIARISM DETECTION USING SENTENCE SIMILARITY WITH TEXT ALIGNMENT

APPROACH

Mufidah Aisyah Rachmat

DETEKSI IMAGE FACE SPOOFING MENGGUNAKAN LOCAL BINARY PATTERN DALAM

RUANG WARNA YCBCR

Salehah Wijayanti

PERKEMBANGAN E-GOVERNMENT INDONESIA: ANALISIS DAFTAR LAYANAN PUBLIK

Endang Amalia

SMART TOUR GUIDE “ANGKOT”

Azizah Zakiah, Arief Yulianto

DIGITAL REMINDER CUSTOMER PAYMENT

Hari Supriyadi

SISTEM INFORMASI PEMASARAN BERBASIS WEB E-COMMERCE PADA UMKM BINAAN HPP

KABUPATEN PANGANDARAN (STUDI KASUS UMKM SIMPATI COLLECTION)

Muhammad Benny Chaniago, Asep Nuryanto

Interpretable STS Terjemahan Ayat Alquran dengan Menggunakan Chunking otomatis

Maulisye Audina Ulfa

APLIKASI PERHITUNGAN REKAPITULASI DATA ANGGARAN PENGOLAHAN LAHAN DAN AIR

PADA DINAS PERTANIAN DAN PERKEBUNAN PROVINSI NTT

Emerensiana Ngaga, Frengky Tedy

ISSN: 2541-5093

Jurnal ilmiah dengan bidang ilmu teknik informatika. Terbit 4 kali dalam setahun, setiap bulan

Maret, Juni, September, dan Desember.

Ketua Redaksi

Feri Sulianta

Dewan Redaksi

Fajri Rakhmat Umbara

Agung Santoso Pribadi

Afief Dias Pambudi

Edward Daniel Maspaitella

Iqbal Yulizar

Editor Pelaksana

Farhan Ferdian Mulyadi

Vito Hafiz

Ricko Firmansyah

Reviewer

Prof The Houw Liong (Institut Teknologi Bandung)

Hengky Honggo (STMIK MDP Palembang)

Bahar Riand Passa (Nanyang Technological University)

Dwi Aryanta (ITENAS)

Eko Cahyanto ( Universitas Gunadarma)

Cholid Fauzi (ST Inten)

Wawan Kurniawan (ASMTB)

Titan Halim (Universitas BINUS)

Muksin Wijaya (STMIK LIKMI)

Muhhammad Sufyan Abdurrahman (Universitas TELKOM)

SEKRETARIAT

TIM KOMUNIKA INFORMATIKA

Jl. Gatot Subroto 153 C, Bandung 40273

e-mail: [email protected] / [email protected]

website: http://www.e-jmii.org

mailto:[email protected]


http://www.e-jmii.org/

PENGANTAR REDAKSI

Merupakan pencapaian yang luarbiasa menggembirakan bagi kami untuk

menerbitkan JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII)

yang sifatnya independen, sebagai wujud kontribusi kami kepada masyarakat

Indonesia dalam dunia edukasi. Hal inilah yang menjadi landasan esensial kami

untuk menerbitkan jurnal ini. Tujuan dari jurnal ini adalah sebagai wadah untuk

mensosialisasikan hasil penelitian dari berbagai pihak terkait ranah atau rumpun

ilmu Teknik Informatika dengan berbagai bidang kajian seperti Sistem Informasi,

Basis Data, Data Mining, Jaringan Komputer & Internet, Kecerdasan Buatan,

Komputer Forensik, Pengolahan Citra Digital, Humaniora yang melibatkan

Teknologi Informasi dan lainnya.

Kami berterima kasih pada para penulis dan peneliti yang sudah berkontribusi

dalam mengirimkan hasil penelitiannya untuk diterbitkan pada jurnal ini. Dan kami

pun mengajak masyarakat Indonesia untuk terlibat dalam terbitan konten jurnal ini

pada edisi – edisi selanjutnya.

Akhir kata, kami berkomitmen untuk terus meningkatkan kualitas jurnal ini dan

berharap agar jurnal ini dapat terus memberikan kontribusi bagi masyarakat

Indonesia dalam ranah keilmuan Informatika.

REDAKSI

JURNAL MASYARAKAT INFORMATIKA INDONESIA (JMII Vol 2/II/2017) JMII Vol 2, No. 2, April-Juni 2017 ISSN: 2541-5093

4

Jurnal Nasional JMII 2017


5


Analisis Klasifikasi pada Dataset Cerita Anak Indonesia

Menggunakan Metode Rule Based Classifier

Claudia Ernestina Aurora, Ika Monica, Irasanti Primabara, Lilin

Program Studi S1 Teknik Informatika

Universitas Telkom

Jalan Telekomunikasi No.1 Bandung, Indonesia

[email protected], [email protected],

irasantipr@ students.telkomuniversity.ac.id , [email protected]

Abstrak

Cerita anak indonesia merupakan suatu sarana

atau media pengetahuan dan hiburan yang

diperuntukkan untuk anak-anak Indoneisa. Dalam

internet, banyak sekali terdapat cerita anak yang bisa

saja kontennya mengandung kata-kata negatif yang

kurang baik bila dibaca oleh anak. Untuk dapat

mengetahui apakah konten cerita yang ada pada

cerita anak itu banyak mengandung kata yang positif

atau negatif, maka dilakukanlah suatu analisis

klasifikasi yang bertujuan untu mengetahui positif

atau negatifnya suatu konten pada cerita anak

Indonesia online [8]. Untuk menjalankan analasis

tersebut, diperlukan suatu metode klasifikasi yang

tepat sesuai dengan kasus yang ada. Oleh karena itu,

teknik analasis klasifikasi digunakan oleh penulis

untuk mengelompokkan suatu ceita ke dalam

kelompok positif atau negatif adalah dengan

menggunakan metode Rule-Based Classifier. Dengan

metode ini, pengklasifikasian dibangun dengan rule

yang telah ditentukan oleh penulis sehingga dapat

tergambar hasil dari klasifikasi yang dilakukan[4].

Kata Kunci : cerita, anak, indonesia, klasifikasi,

Rule-based Classifier

Abstract

Indonesian kids stories have became one of many

ways that used for knowledge and entertainment

media for Indonesian kids. That stories can be access

by everyone, everywhere, and everytime by using

internet. In the internet, there are stories that

probably have some inappropriate words that

shouldn’t be shown in the kids stories. For knowing

the positive status or negative status of document, we

have to make analysis for document classification.

Analysis for document classification should chose the

right method for classification. Classification method

that we use is Rule-based Classifier. Rule-based

Classifier is a classification method that classifying

set of documents by rule that have been made by

authors.

Keywords: story, kids, Indonesian,

classification, Rule-based Classifier

I. PENDAHULUAN

Perkembangan teknologi yang semakin pesat

menyebabkan banyaknya informasi yang semakin

besar tersimpan dalam internet. Salah satunya

adalah cerita anak. Banyak orang tua di Indonesia

yang memanfaatkan teknologi internet sebagai

sarana untuk membuat anaknya dapat belajar melalui

cerita-cerita anak yang tersedia di internet. Cerita-

cerita anak indonesia yang tersebar di internet bisa

saja memiliki kata-kata atau konten yang ‘negatif’

sehingga perlu dilakukannya analisis terhadap cerita

anak indonesia.

Untuk mengetahui apakah konten cerita anak

Indonesia pada internet termasuk ke dalam

kelompok cerita positif atau negatif, dilakukanlah

analisis klasifikasi pada cerita-cerita anak tersebut.

Dalam proses klasifikasi ini melibatkan beberapa

tahapan, antara lain :

1. Crawling data pada website cerita anak

Indonesia

2. Melakukan preprocessing pada dataset yang

didapat dari hasil crawling

3. Melakukan klasifikasi

4. Mengevaluasi hasil klasifikasi[3]

Metode preprocessing yang digunakan pada

kasus ini adalah Principle Component Anaylisi atau



6


PCA. Metode PCA bertujuan untuk mencari term-

term yang sering muncul pada setiap dataset

dokumen cerita anak Indonesia yang ada. Setelah

melakukan preprocessing menggunakan metode

PCA, lalu dilakukanlah proses klasifikasi dengan

metode Rule-based Classifier. Pada metode

ini,pengklasifikasian dilakukan dengan membuat

sebuah rule pengklasifikasian sehingga dari rule yang

telah dibuat tersebut cerita akan dikelompokkan

sesuai dengan kelas atau label cerita yang ada. Selain

dengan metode klasifikasi Rule-based Classifier,

metode lain yang digunakan adalah metode Naive

Bayes Classifier. Tujuan dilakukannya

pengklasifikasian dengan dua teknik yang berbeda

adalah untuk menjadi pembanding dan pencarian

akurasi terhadap pengklasifikasian Rule-based

Classifier[4].

Pengklasifikasian suatu cerita dikatakan

kelompok cerita positif atau negatif adalah dengan

melihat term-term yang muncul pada cerita tersebut

lalu dilakukan identifikasi terhadap term yang ada.

Identifikasi yang dilakukan adalah dengan mencari

term positif dan term negatifnya. Dengan

dilakukannya pengklasfikasian ini, dapat diketahuilah

cerita anak Indonesia mana yang termasuk ke dalam

cerita positif atau cerita negatif.

II. KAJIAN LITERATUR

A. Data Mining

Data mining atau penggalian data adalah suatu

proses dalam analisis data dari perspektif yang

berbeda dan menyederhanakannya ke dalam

informasi yang berguna, yaitu informasi yang dapat

digunakan untuk meningkatkan pendapatan,

memotong biaya, atau keduanya. [1]

Latar belakang adanya data mining adalah sebagai

berikut.

1. Pertumbuhan yang cepat dalam kumpulan

data.

2. Penyimpanan data dalam data warehouse,

sehingga seluruh perusahaan memiliki akses

ke dalam database yang baik.

3. Adanya peningkatan akses data melalui

navigasi web dan intranet.

4. Tekanan kompetisi bisnis untuk

meningkatkan penguasaan pasar dalam

globalisasi ekonomi.

5. Perkembangan teknologi perangkat lunak

untuk data mining (ketersediaan teknologi).

6. Perkembangan yang hebat dalam

kemampuan komputasi dan pengembangan

kapasitas media penyimpanan. [2]

Data mining adalah salah satu bagian dari proses

pencarian pola. Berikut ini urutan proses pencarian

pola:

1. Pembersihan data

Pada proses ini akan dilakukan

penghapusan data pengganggu (noise) dan

melakukan pengisian data yang hilang

(missing value).

2. Integrasi data

Pada proses in akan dilakukan

penggabungan dari berbagai sumber data.

3. Pemilihan data


pemilihan data yang relevan.

4. Transformasi data


transformasi data ke dalam format untuk

diproses dalam penggalian data.

5. Evaluasi pola


pengenalan pola-pola menarik yang

mewakili knowledge yang tersimpan pada

data berdasarkan pengukuran yang telah

ditentukan

6. Penyajian pola atau Penyajian knowledge

Pada proses ini akan visualisasi pola ke

pengguna dan membantu user memahami

hasil dari data mining yang telah dilakukan

[3]

B. Metode Classification

Metode Classification adalah sebuah metode dari

data mining untuk memprediksi kategori atau kelas

dari suatu instance berdasarkan sekumpulan atribut-

atributyang adapada data tersebut[4].

Ada dua langkah dalam metode classification

untuk mengklasifikasikan data. Langkah pertama

adalah Learning. Pada langkah ini, classifier

dibangun berdasarkan sekumpulan kelas atau kategori

yang sudah ditentukan dari data. Langkah ini disebut

learning step atau training step, dimana sebuah

algoritma classification membangun classifier dengan

menganalisis atau “belajar dari” sebuah training set.

Setelah dilakukannya proses learning, langkah


7


selanjutnya Classification. Pada langkah ini,

classifier yang sudah dibangun akan digunakan untuk

mengklasifikasi data. Akurasi dari prediksi classifier

tersebut akan diperkirakan dengan beberapa cara. Jika

menggunakan training set untuk mengukur akurasi

dari classifier, maka estimasi akan optimis karena

data yang digunakan untuk membentuk classifier

adalah training set juga. Oleh karena itu, digunakan

test set, yaitu sekumpulan tuple beserta class label-

nya yang dipilih secara acak dari dataset. Test set

bersifat independen dari training set dikarenakan test

set tidak digunakan untuk membangun classifier

Tahapan dari klasifikasi dalam data mining

terdiri dari :

1. Pembangunan model, dalam tahapan ini

dibuat sebuah model untuk menyelesaikan

masalah klasifikasi class atau atribut dalam

data, model ini dibangun berdasarkan

training set-sebuah contoh data dari

permasalahan yang dihadapi, training set ini

sudah mempunyai informasi yang lengkap

baik attribut maupun classnya

2. Penerapan model, pada tahapan ini model

yang sudah dibangun sebelumnya digunakan

untuk menentukan attribut / class dari

sebuah data baru yang attribut / classnya

belum diketahui sebelumnya

3. Evaluasi, pada tahapan ini hasil dari

penerapan model pada tahapan sebelumnya

dievaluasi menggunakan parameter terukur

untuk menentukan apakah model tersebut

dapat diterima [4]

C. Preprocessing

Preprocessing adalah suatu proses pengolahan

data awal sebelum data tersebut diolah dengan teknik

data mining. Tujuan dari preprocessing ini adalah

untuk mentransformasikan data ke suatu format yang

prosesnya lebih mudah dan efektif untuk kebutuhan

user [5]. Ada beberapa metode yang digunakan

dalam preprocessing antara lain sebagai berikut :

1. Sampling

Teknik sampling adalah teknik utama

yang digunakan untuk memilih data dan

biasanya digunakan untuk investigasi data

dan analisis data akhir. Prinsip utama

sampling yang efektif adalah output dengan

penggunaan sampel sama bagusnya dengan

penggunaan data keseluruhan yang dapat

diartikan sampel sudah representatif.

2. Agregasi

Agregasi adalah suatu teknik yang

mengkombinasikan dua atau lebih atribut)

atau objek) menjadi satu atribut (atau objek)

3. Pengurangan dimensi.

Pengurangan dimensi adalah suatu

teknik yang bertujuan untuk mengurangi

penggunaan memori, memudahkan

visualisasi data dan menghindari Curse of

Dimensionality yaitu fenomena dimana

analisis data menjadi sulit disebabkan

pertambahan dimensi data dan data menjadi

tersebar atau sparse. Teknik yang digunakan

untuk pengurangan dimensi adalah Principle

Component Analysis (PCA), Singular Value

Decomposition, Feature Subset Selection

dan lain-lain. [6]

D. Korpus

Korpus (corpus) adalah bagian dari pustaka teks

elektronik, yang dibangun dengan kriteria untuk

tujuan khusus. Korpus terdiri dari kumpulan kata-

kata yang dapat dimanfaatkan dalam proses

mining[3].

Beberapa hal yang perlu diperhatikan dalam

membangun korpus adalah sebagai berikut :

a) Perencanaan dan rancangan korpus

b) Pemilihan sumber data

c) Ijin dari pemilik data

d) Pengumpulan data dan pengkodeannya

e) Penanganan korpus. [7]

E. Proses Crawling

Web crawler adalah suatu program atau script

otomatis yang relatif simple dan dengan metode

tertentu dapat melakukan scan atau “crawl” ke semua

halaman-halaman Internet untuk membuat index dari

data yang dicarinya. Nama lain untuk web crawl

adalah web spider, web robot, bot, crawl dan


8


automatic indexer. Web crawl dapat digunakan untuk

beragam tujuan. Penggunaan yang paling umum

adalah yang terkait dengan search engine. Search

engine menggunakan web crawl untuk

mengumpulkan informasi mengenai apa yang ada di

halaman-halaman web publik. Tujuan utamanya

adalah mengumpukan data sehingga ketika pengguna

Internet mengetikkan kata pencarian di komputernya,

search engine dapat dengan segera menampilkan web

site yang relevan [10].

F. Evaluasi Klasifikasi

Pengklasifikasian cerita anak dilakukan dengan

beberapa cara, antara lain pengklasifikasian secara

manual, rule-based classifier, dan naive bayes

classifier. Dari setiap hasil yang diperoleh dari

classifiers tersebut, akan diukur tingkat akurasi

kesesuaian hasilnya dari hasil yang diperoleh.

Adapun formula perhitungan akurasi yang

dilakukan adalah sebagai berikut.

......................(1)

Dari Persamaan 1 di atas, yang memperngaruhi

tingkat akurasi adalah data hasil pengklasifikasian

yang sama dari tiga classifier dan total data

keseluruhan[7].

III. ANALISIS DAN PERANCANGAN

Dalam membangun sistem yang dapat menganalisis klasifikasi dataset cerita anak Indonesia ini, ada beberapa hal yang harus dilakukan. Mulai dari melakukan crawling hingga pada visualisasi hasil klasifikasi terhadap cerita anak yang ada. Berikut ini pada Gambar 1 adalah flowchart dari sistem yang akan dibangun adalah sebagai berikut :

Gambar 1 Desain Sistem pada Klasifikasi Cerita

Anak Indonesia

Berikut ini adalah penjelasan dari flowchart di atas adalah sebagai berikut :

1. Pembuatan data corpus

Pada tahap ini akan dilakukan pembuatan

data corpus berdasarkan dari data corpus

bahasa inggris AFINN yang diterjemahkan

menjadi bahasa indonesia beserta kata-kata

sinonimnya dan diberikan pembobotan tiap

kata dari nilai -5 sampai dengan 5 [9].

2. Proses Crawling dan pembuatan dataset Pada tahap ini dilakukan proses

pengambilan data dari website mengenai cerita anak berbahasa Indonesia. Data yang diambil dari website tersebut hanya berupa informasi penting seperti isi cerita beserta judulnya. Dataset yang dibangun dari hasil crawling tersebut adalah kumpulan cerita anak yang memiliki tipe data berupa dokumen.

Dalam proses crawling yang dilakukan, ada beberapa keyword yang digunakan, seperti yang tertera pada Tabel 1 di bawah ini


9


Tabel 1 Keyword yang digunakan untuk Crawling

Dataset cerita anak Indonesia

Keyword Hasil Pencarian

Dongeng anak

1. Cerita pendek anak-anak, dongeng, ilmu pengetahuan umum, tokoh ilmuwan dan penemu

2. Cerita Rakyat Cindelaras - Dongeng Nusantara » LokerSeni

3. Cerita Rakyat Danau Toba - Dongeng Legenda Nusantara » LokerSeni

4. Cerita Rakyat Malin Kundang » LokerSeni

5. Dongeng Anak Cerita si Kancil Dan Kerbau yang Malas

6. Dongeng Burung Bangau dan Seekor Ketam

7. Dongeng Burung Merpati Putih Dan Burung Gagak Hitam

Cerita anak 8. Cerita Anak dan Ayah Yang Mengharukan – Cerita anak Islami

Fabel 9. Dongeng Ayam Kate Yang Kurang Mujur Dan Besar Kepala

Legenda 10. Cerita Rakyat Lutung Kasarung - Cerita Legenda Indonesia » LokerSeni

11. Cerita Rakyat Timun Mas - Cerita Legenda Jawa Tengah » LokerSeni

12. Cerita Rakyat Keong Mas - Legenda Nusantara » LokerSeni

Indonesia 13. Dongeng Kisah Bawang Merah Dan Bawah Putih

14. Dongeng Rakyat Cerita Sangkuriang

15. Dongeng Rakyat Telaga Warna

16. Legenda Batu Menangis » LokerSeni

17. Rido Ingin Naik Motor.

Adapun jumlah dataset yang digunakan dalam klasifikasi ini adalah 17 cerita anak yang tertera pada Tabel 2 sebagai berikut:

Tabel 2 Dataset Hasil Crawling

NO Dataset Cerita Anak Indonesia

1 Cerita Anak Dan Ayah Yang Mengharukan - Cerita anak

Islami.txt

2 Cerita pendek anak-anak

3 Cerita Rakyat Cindelaras - Dongeng Nusantara » LokerSeni.txt

4 Cerita Rakyat Danau Toba - Dongeng Legenda Nusantara »

LokerSeni.txt

5 Cerita Rakyat Keong Mas - Legenda Nusantara » LokerSeni.txt

6 Cerita Rakyat Lutung Kasarung - Cerita Legenda Indonesia »

LokerSeni.txt

7 Cerita Rakyat Malin Kundang » LokerSeni.txt

8 Cerita Rakyat Timun Mas - Cerita Legenda Jawa Tengah »

LokerSeni.txt

9 Dongeng Anak Cerita si Kancil Dan Kerbau yang Malas.txt

10 Dongeng Ayam Kate Yang Kurang Mujur Dan Besar Kepala.txt

11 Dongeng Burung Bangau dan Seekor Ketam.txt

12 Dongeng Burung Merpati Putih Dan Burung Gagak Hitam.txt

13 Dongeng Kisah Bawang Merah Dan Bawah Putih.txt

14 Dongeng Rakyat Cerita Sangkuriang.txt

15 Dongeng Rakyat Telaga Warna.txt

16 Legenda Batu Menangis » LokerSeni.txt

17 Rido Ingin Naik Motor..txt

3. Preprocessing Setelah didapatkannya dataset

berdasarkan hasil crawling yang telah dilakukan, maka proses data mining selanjutnya adalah preprocessing. Adapun tahapan-tahapan yang dilakukan dalam preprocessing seperti yang tertera pada Gambar 2 di bawah ini.


10


a. Case folding

Pada tahap ini akan dilakukan pengubahan semua huruf menjadi kecil dan menghilangkan semua yang bukan huruf, seperti angka,simbol dan lain-lain.

b. Tokenizing

Pada tahap ini akan dilakukan pemotongan terhadap string hasil dari crawling menjadi karakter.

c. Filtering

Pada tahap ini akan dilakukan pengambilan kata-kata yang penting dari hasil tokenizing dengan cara menghilangkan kata-kata yang tidak penting seperti yang, di, dan, dari, dan lain-lain.

Metode preprocessing yang digunakan pada kasus ini adalah metode Principle Component Analysis (PCA)[11]. Dengan menggunakan metode PCA ini, preprocessing yang dilakukan adalah dengan cara mencari term yang paling sering muncul pada suatu dokumen dan divisualisasikan menjadi sebuah tabel matriks. Tabel matriks tersebut memiliki beberapa feature atau term yang digambarkan dengan tabel matriks horizontal, dan memiliki beberapa dataset dokumen yang digambarkan dengan tabel matriks vertikal. Hasil yang didapatkan dari PCA ini adalah tabel term-document matrix seperti pada Tabel 3 berikut.

Tabel 3 Hasil Preprocessing PCA dan pembobotan

term

No Nama File bisa meng

hibur pergi

dongen

g

1 Cerita Anak Dan

Ayah Yang

Mengharukan - Cerita

1 3 -2 0

anak Islami.txt

2 Cerita pendek

anak-anak, dongeng,

ilmu pengetahuan

umum, tokoh ilmuwan

dan penemu.txt

0 0 -2 0

3 Cerita Rakyat

Cindelaras - Dongeng

Nusantara »

LokerSeni.txt

0 0 -2 0

4 Cerita Rakyat

Danau Toba - Dongeng

Legenda Nusantara »

LokerSeni.txt

1 0 -2 0

5 Cerita Rakyat

Keong Mas - Legenda

Nusantara »

LokerSeni.txt

1 0 -2 0

6 Cerita Rakyat

Lutung Kasarung -

Cerita Legenda

Indonesia »

LokerSeni.txt

0 0 -2 0

7 Cerita Rakyat

Malin Kundang »

LokerSeni.txt

1 0 -2 0

8 Cerita Rakyat

Timun Mas - Cerita

Legenda Jawa Tengah

» LokerSeni.txt

1 0 0 0

9 Dongeng Anak

Cerita si Kancil Dan

Kerbau yang Malas.txt

1 3 0 0

10 Dongeng Ayam

Kate Yang Kurang

Mujur Dan Besar

Kepala.txt

1 3 0 0

11 Dongeng

Burung Bangau dan

Seekor Ketam.txt

1 3 0 0

12 Dongeng

Burung Merpati Putih

Dan Burung Gagak

Hitam.txt

1 3 0 0

13 Dongeng Kisah

Bawang Merah Dan

Bawah Putih.txt

1 3 -2 0

Gambar 2 Proses Preprocessing pada klasifikasi cerita

anak


11


14 Dongeng Rakyat

Cerita Sangkuriang.txt

1 3 -2 0

15 Dongeng Rakyat

Telaga Warna.txt

1 3 -2 0

16 Legenda Batu

Menangis »

LokerSeni.txt

0 0 0 0

17 Rido Ingin Naik

Motor..txt

1 0 0 0

Pada Tabel 3 di atas adalah salah satu

contoh hasil preprocessing PCA. Dapat

dilihat bahwa dari dataset yang ada, terdapat

beberapa term yang sering muncul pada

semua dataset dokumen yang ada. Setiap

term tersebut akan menjadi features pada

tabel tersebut.

4. Pembobotan Penentuan bobot untuk setiap term yang

ada dilakukan dengan teknik binary. Pembobotan dilakukan secara binary karena jumlah kemunculan suatu term pada dokumen dianggap tidak mempengaruhi positif atau tidaknya dataset cerita anak tersebut[11]. Selain itu, pembobotan dilakukan secara binary dikarenakan agar proses pembagian lebih stabil dibandingnya dengan menggunakan jumlah frekuensi kemunculan term. Penulis lebih menitikberatkan pada jumlah term positif atau term negatif dibanding jumlah kemunculan untuk setiap term positif dan term negatif. Untuk setiap term yang ada akan dicari pada data korpus yang telah dibuat sebelumnya. Jika term tersebut ada pada data korpus tersebut, maka status term tersebut adalah “1”, sedangkan jika term tersebut tidak ditemukan dalam data korpus, maka status term tersebut adalah “0”. Untuk setiap term yang bernilai “1” akan diberikan bobot sesuai dengan skor yang ada pada korpus tersebut, baik itu skor positif maupun skor negatif. Sedangkan untuk term yang bernilai “0” secara otomatis akan diberikan bobot 0.

Hasil pembobotan dengan teknik binary dapat dilihat pada Tabel 3 di atas.

5. Menghitung Persentase Term Positif dan Term Negatif pada Setiap Dokumen

Untuk menghitung persentasi positif dan negatif untuk setiap dokumen yang ada, maka rumus yang digunakan adalah sebagai berikut :

..........(2)

......(3)

keterangan :

pt(p) : persentase term positif

pt(n) : persentase term negatif

stn : skor term negatif

stp : skor term positif

Pada Persamaan 2 dan Persamaan 3, skor term diperoleh dari hasil pembobotan pada korpus yang ada, sehingga setiap term yang muncul memiliki bobot sesuai dengan bobot pada skor korpus yang ada

Perhitungan persentase positif dan persentase negatif menggunakan rumus sederhana yang biasa digunakan pada pencarian peluang-peluang pada berbagai kasus. Pada kasus ini, yang menjadi penentun nilai suatu dokumen dikatakan dokumen positif atau negatif adalah jumlah skor term positif, jumlah skor term negatif, dan jumlah skor term keseluruhan. Dengan menerapkan formula pada Persamaan 2 dan Persamaan 3, maka persentase positif dan negatif tiap dokumen akan diketahui dan persentase tersebut akan dimanfaatkan untuk tahap selanjutnya, yaitu klasifikasi.

.

6. Pengklasifikasian Dokumen

Pada tahap ini, setelah kita mengetahui persentase dokumen positif dan persentase dokumen negatif, maka dilakukanlah


12


pengklasifikasian dengan teknik rule-base classifier. Jika pt(p) lebih besar dari pt(n) maka dokumen tersebut kelas positif dan sebaliknya.

Adapun rule yang digunakan untuk mengklasifikasikan dataset cerita anak tersebut adalah sebagai berikut :

if (pt(p) > pt(n)) then {

output (“Termasuk Cerita

Positif”);

} else {

output (“Termasuk Cerita

Negatif”);

}

Dari rule di atas, maka keluaran yang didapat dari proses klasifikasi adalah “Termasuk Cerita Positif” atau “Termasuk Cerita Negatif”.

7. Data Hasil Klasifikasi

Data klasifikasi yang dihasilkan berupa dokumen CSV yang berisi nama dokumen, persentase term positif dan persentase term negatif pada setiap dokumen serta kelas klasifikasi dokumen berupa kelas dokumen positif atau kelas dokumen negatif.

Dalam pembangunan sistem klasifikasi terhadap

dataset cerita anak Indonesia, terdapat skenario

pengujian yang dilakukan. Skenario pengujian yang

dilakukan pada analasis klasifikasi cerita anak

Indonesia adalah sebagai berikut :

a. Mengukur performansi pada dataset yang ada

berdasarkan Persamaan 2 dan Persamaan 3

b. Melakukan klasifikasi dengan beberapa

metode amatara lain Rule-based Classifier dan

metode Naive Bayes Classifier

c. Membandingkan hasil antara kedua metode

klasifikasi tersebut

A. Perhitungan Persentase Term Positif dan

Persentase Term Negatif pada setiap Dokumen

Perhitungan persentase term positif dan

persentase term negatif dilakukan dengan

menerapkan formula pada Persamaan 2 dan

Persamaan 3. Adapun hasil perhitungan persentase

term positif dan persentase term negatif yang di dapat

dari Persamaan 2 dan Persamaan 3 tertera pada Tabel

4 di bawah ini

Tabel 4 Hasil Perhitungan Persentase Term

Positif dan Persentase Term Negatif

No Dokumen Persenta

se Term Positif

Persen

tase Term

Negatif

1 Cerita Anak Dan

Ayah Yang Mengharukan -

Cerita anak Islami.txt

66,48% 33,51%

2 Cerita pendek anak-

anak

63,90% 36,18%

3 Cerita Rakyat

Cindelaras - Dongeng

Nusantara » LokerSeni.txt

61,81% 38,18%

4 Cerita Rakyat Danau

Toba - Dongeng Legenda

Nusantara » LokerSeni.txt

70,53% 29,46%

5 Cerita Rakyat Keong

Mas - Legenda Nusantara »

LokerSeni.txt

65,51% 34,48%

6 Cerita Rakyat

Lutung Kasarung - Cerita

Legenda Indonesia »

LokerSeni.txt

80,16% 19,83%

7 Cerita Rakyat Malin

Kundang » LokerSeni.txt

75,47% 24,51%

8 Cerita Rakyat Timun

Mas - Cerita Legenda Jawa

Tengah » LokerSeni.txt

72,72% 27,27%

9 Dongeng Anak

Cerita si Kancil Dan

Kerbau yang Malas.txt

63,63% 36,36%

10 Dongeng Ayam Kate

Yang Kurang Mujur Dan

Besar Kepala.txt

54,92% 45,07%

11 Dongeng Burung

Bangau dan Seekor

Ketam.txt

58,24% 41,75%


13


12 Dongeng Burung

Merpati Putih Dan Burung

Gagak Hitam.txt

56,96% 43,03%

13 Dongeng Kisah

Bawang Merah Dan Bawah

Putih.txt

57,75% 42,24%

14 Dongeng Rakyat

Cerita Sangkuriang.txt

52,70% 47,29%

15 Dongeng Rakyat

Telaga Warna.txt

60,20% 39,79%

16 Legenda Batu

Menangis » LokerSeni.txt

68,14% 31,85%

17 Rido Ingin Naik

Motor..txt

51,83% 48,16%

Dari hasil perhitungan persentase pada Tabel 4 di

atas dapat pula divisualisasikan dengan grafik pada

Gambar 3 di bawah ini.

Gambar 3 Grafik Persentase Term Positif dan

Term Negatif pada semua dokumen

B. Klasifikasi Dokumen Positif dan Negatif

Penentuan klasifikasi suatu dokumen dikatakan

positif atau negatif adalah dengan menerapkan teknik

Rule-based Classifier. Teknik ini akan melakukan

klasifikasi dengan rule yang telah ditentukan oleh

penulis. Dengan menerapkan rule yang telah

ditentukan, maka proses klasifikasi dapat dilakukan.

Namun dalam hal ini, proses klasifikasi dilakukan

secara manual dengan perhitungan manual, bukan

pengklasifikasian dengan menggunakan sistem.

Berikut merupakan hasil klasifikasi manual pada

Tabel 5 di bawah ini

Tabel 5 Hasil Klasifikasi secara Manual

Dokumen Persentase

Term

Positif

Persentase

Term

Negatif

Hasil

Klasifik

asi

Cerita Anak

Dan Ayah Yang

Mengharukan -

Cerita anak

Islami.txt

66,48% 33,51% Positif

Cerita

pendek anak-anak

63,90% 36,18% Positif

Cerita

Rakyat Cindelaras -

Dongeng

Nusantara »

LokerSeni.txt

61,81% 38,18% Positif

Cerita

Rakyat Danau

Toba - Dongeng

Legenda Nusantara

» LokerSeni.txt

70,53% 29,46% Positif

Cerita

Rakyat Keong Mas

- Legenda

Nusantara »

LokerSeni.txt

65,51% 34,48% Positif

Cerita

Rakyat Lutung

Kasarung - Cerita

Legenda Indonesia

» LokerSeni.txt

80,16% 19,83% Positif

Cerita

Rakyat Malin

Kundang »

LokerSeni.txt

75,47% 24,51% Positif

Cerita

Rakyat Timun Mas

- Cerita Legenda

Jawa Tengah »

LokerSeni.txt

72,72% 27,27% Positif

Dongeng

Anak Cerita si

Kancil Dan Kerbau

63,63% 36,36% Positif


14


yang Malas.txt

Dongeng

Ayam Kate Yang

Kurang Mujur Dan

Besar Kepala.txt

54,92% 45,07% Positif

Dongeng

Burung Bangau

dan Seekor

Ketam.txt

58,24% 41,75% Positif

Dongeng

Burung Merpati

Putih Dan Burung

Gagak Hitam.txt

56,96% 43,03% Positif

Dongeng

Kisah Bawang

Merah Dan Bawah

Putih.txt

57,75% 42,24% Positif

Dongeng

Rakyat Cerita

Sangkuriang.txt

52,70% 47,29% Positif

Dongeng

Rakyat Telaga

Warna.txt

60,20% 39,79% Positif

Legenda

Batu Menangis »

LokerSeni.txt

68,14% 31,85% Positif

Rido Ingin

Naik Motor..txt

51,83% 48,16% Positif

Pengklasifikasian tidak hanya dilakukan dengan

metode Rule-based Classifier, tetapi juga

menggunakan Naive Bayes Classifier. Pada metode

ini, pengklasifikasian dilakukan dengan klasifikasi

probabilitas kondisional [6]. Proses klasifikasi

dengan metode Naive Bayes Classifier dilakukan

pada software Weka.

Berikut padaGambar 4 dan Gambar 5 merupakan

hasil klasifikasi Naive Bayes

Classifier.

Gambar 4 Hasil Klasifikasi Naive bayes Classifier

pada Weka secara ringkas

Gambar 5 Salah satu hasil klasifikasi Naive Bayes

Classifier secara detail

C. Pengujian dan Analisis Hasil Perbandingan

Klasifikasi Cerita Anak Indonesia

Dalam analisis klasifikasi cerita anak Indonesia

ini, ada dua metode klasifikasi yang digunakan, yaitu

Rule-based Classifier dan Naive Bayes Classifier.

Pengklasifikasian dilakukan dengan dua metode

bertujuan untuk dapat membandingkan hasil

klasifikasi dengan metode yang dipilih dan untuk

mengetahui tingkat akurasi dari hasil klasifikasi Rule-

based Classifier sehingga hasil yang didapat pun

akurat dan tepat.


15


Pengujian klasifikasi dilakukan pada 17 dataset

dan 7 dataset. Hal ini dilakukan untuk melihat dan

mengethui perbandingan dari hasil yang didapat pada

kedua metode ini.

Berdasarkan pada Tabel 5, hasil metode

klasifikasi Rule-based Classfier dengan

menggunakan 17 dataset memberikan kesimpulan

bahwa semua cerita anak yang ada pada dataset

termasuk ke dalam kelas cerita anak positif karena

persentase term positif lebih besar dibandingkan

persentase term negatif untuk setiap dokumen cerita

anak yang ada. Lalu berdasarkan pada Gambar 4 dan

Gambar 5, hasil klasifikasi dataset cerita anak dengan

menggunakan metode Naive Bayes Classifier pun

termasuk ke dalam kelas cerita anak yang positif.

Tabel 6 Hasil Klasifikasi Manual pada 7 dataset

Dokumen Persentase

Term Positif

Persentase

Term Negatif

Hasil

Klasifikasi

Cerita Anak Dan

Ayah Yang

Mengharukan -

Cerita anak

Islami.txt

66,48% 33,51% Positif

Cerita pendek

anak-anak 63,90% 36,18% Positif

Cerita Rakyat

Cindelaras -

Dongeng

Nusantara »

LokerSeni.txt

61,81% 38,18% Positif

Cerita Rakyat

Danau Toba -

Dongeng

Legenda

Nusantara »

LokerSeni.txt

70,53% 29,46% Positif

Cerita Rakyat

Keong Mas -

Legenda

Nusantara »

LokerSeni.txt

65,51% 34,48% Positif

Cerita Rakyat

Lutung

Kasarung -

Cerita Legenda

Indonesia »

LokerSeni.txt

80,16% 19,83% Positif

Cerita Rakyat

Malin Kundang

» LokerSeni.txt

75,47% 24,51% Positif

Gambar 6 Hasil klasifikasi Naive Bayes Classifier

pada 7 dataset

Sedangkan hasil klasifikasi Rule-based Classfier

dengan 7 dataset yang ditunjukkan pada Tabel 7,

dapat disimpulan pula bahwa semua cerita anak yang

ada pada dataset termasuk ke dalam kelas cerita

anak positif karena persentase term positif lebih besar

dibandingkan persentase term negatif untuk setiap

dokumen cerita anak yang ada. Lalu berdasarkan

pada Gambar 6, hasil klasifikasi dataset cerita anak

dengan menggunakan metode Naive Bayes Classifier

pun termasuk ke dalam kelas cerita anak yang positif.

Berikut pada Gambar 7 merupakan perbandingan

hasil Rule-based Classfier dan Naive Bayes Classifier

pada 17 dataset dan 7 dataset


16


Gambar 7 Grafik perbandingan hasil Rule-Based

Classifier dan naive bayes Classifier

Dalam melakukan pengklasifikasian, diperlukan

pula data testing untuk menguji dan memastikan hasil

pelabelan yang di dapat dari sistem yang dibangun

sudah sesuai atau tidak. Dari 17 dataset yang ada, 5

diantaranya dijadikan data testing. Berikut pada

Tabel 6 merupkan hasil pelabelan manual yang

dilakukan penulis dengan membaca cerita secara

manual.

Tabel 7 Hasil Label Manual

Dokumen Hasil

Label Manual

Cerita Anak Dan Ayah Yang

Mengharukan - Cerita anak Islami.txt Positif

Cerita pendek anak-anak Positif

Cerita Rakyat Cindelaras -

Dongeng Nusantara » LokerSeni.txt Positif

Cerita Rakyat Danau Toba -

Dongeng Legenda Nusantara »

LokerSeni.txt

Positif

Cerita Rakyat Keong Mas -

Legenda Nusantara » LokerSeni.txt Positif

Tabel 8 Perbandingan klasifikasi dengan data

testing

Dokume Predict Rill

n

Cerita Anak

Dan Ayah Yang

Mengharukan -

Cerita anak

Islami.txt

Positif Positif

Cerita

pendek anak-anak Positif Positif

Cerita

Rakyat Cindelaras

- Dongeng

Nusantara »

LokerSeni.txt

Positif Positif

Cerita

Rakyat Danau

Toba - Dongeng

Legenda

Nusantara »

LokerSeni.txt

Positif Positif

Cerita

Rakyat Keong

Mas - Legenda

Nusantara »

LokerSeni.txt

Positif Positif

Dengan melihat Tabel 8 yakni hasil perbandingan Rule-based Classifier dengan data testing yang ada, maka dapat disimpulkan bahwa model Rule-based Classifier yang telah dibangun sudah baik dengan tingkat akurasi 100%

Berdasarkan hasil keseluruhan yang didapatkan dari pengklasifikasian dengan teknik rule-based classifier dan naive bayes, maka dapat disimpulkan bahwa semua dataset cerita anak Indonesia masuk ke dalam kategori cerita anak yang positif, karena tingkat presentase term positif atau pt(p) lebih tinggi dibandingkan dengan persentase term negatif atau pt(n).

Informasi lain yang dapat diperoleh dari hasil pengklasifikasian di atas adalah Cerita Rakyat Lutung Kasarung merupakan cerita anak Indonesia yang memiliki persentase cerita positif tertinggi. Hasil klasifikasi cerita paling positif ini dapat terlihat dari hasil pengklasifikasian dengan teknik rule-based classifier dan dengan perhitungan manual. Sedangkan teknik naive bayes hanya dapat mengklasifikasian dataset yang adalah ke dalam kategori cerita positif dan negatif.


17


Perhitungan akurasi dilakukan dengan formula pada Persamaan 1 diatas maka hasil akurasi yang didapatkan adalah sebesar 100% seperti yang tertera pada Tabel 8 di bawah ini

Tabel 6 Tingkat akurasi pada setiap classifier

Classifier Akur

asi

Rule-based Classifier 100%

Naive Bayes

Classifier

100%

IV. KESIMPULAN DAN SARAN

Pengklasifikasian yang dilakukan pada 17

dataset cerita anak Indonesia dengan menggunakan

beberapa teknik yaitu perhitungan manual,

pengklasifikasian dengan teknik rule-based classifier

dan naive bayes, maka dapat disimpulkan bahwa

semua dataset cerita anak Indonesia masuk ke dalam

kategori cerita anak yang positif, karena tingkat

presentase term positif atau f(p) lebih tinggi

dibandingkan dengan persentase term negatif atau

f(n). Dan jika ditelusuri lebih jauh lagi, informasi

yang dapat kita peroleh adalah Cerita Rakyat Lutung

Kasarung merupakan cerita anak Indonesia yang

memiliki persentase cerita positif tertinggi. Hasil

klasifikasi cerita paling positif ini dapat terlihat dari

hasil pengklasifikasian dengan teknik rule-based

classifier dan dengan perhitungan manual.

Sedangkan teknik naive bayes hanya dapat

mengklasifikasian dataset yang adalah ke dalam

kategori cerita positif dan negatif.

I.1.1.1.1 Referensi

[1] Jason Frand, “Data Mining: What is Data

Mining?,” University of California. [Online].

Available:

http://www.anderson.ucla.edu/faculty/jason.fr

and/teacher/technologies/palace/datamining.h

tm. [Accessed: 17-Nov-2016].

[2] U. S. Utara, “Data Mining,” 2006.

[3] Osmar R. Zaïane, “Chapter I: Introduction to

Data Mining,” Princ. Knowl. Discov.

Databases, pp. 1–15, 1999.

[4] Kemdikbud, “Metode Classification,” 2013.

[5] Wikipedia, “Data pre-processing -

Wikipedia,” 2007. [Online]. Available:

https://en.wikipedia.org/w/index.php?title=D

ata_pre-processing&oldid=733593016.

[Accessed: 14-Nov-2016].

[6] S. of Computing, “Klasifikasi.” Telkom

University, Bandung.

[7] B. Susanto, “KLASIFIKASI PADA TEXT

MINING.” 2013.

[8] “Cerita Anak.org,” 14 November 2016.

[Online]. Available:

http://www.ceritaanak.org/.

[9] T. U. o. D. Informatics and Mathematical

Modelling, “AFINN,” AFINN, 1 March

2011. [Online]. Available:

http://www2.imm.dtu.dk/pubdb/views/public

ation_details.php?id=6010. [Diakses 12

November 2016]

[10] “Wikipedia,” Wikimedia Foundation, 13

September 2016. [Online]. Available:

https://en.wikipedia.org/wiki/Web_crawler.

[Diakses 11 November 2016].

[11] G. S. L. Vishal Gupta, “A Survey of Text

Mining Techniques and,” Journal Of

Emerging Technologies In Web Intelligence,

vol. 1, pp. 60-76, 2009.


18


PLAGIARISM DETECTION USING SENTENCE

SIMILARITY WITH TEXT ALIGNMENT APPROACH

Mufidah Aisyah Rachmat

Fakultas Informatika, Jurusan Teknik Informatika

Universitas Telkom

Jalan Telekomunikasi No.1, Bandung, Indonesia

[email protected]

Abstrak

Dalam membuat suatu karya tulis atau karya

ilmiah tidak dapat dipungkiri bahwa penulis

membutuhkan informasi dan referensi dari hasil

karya orang lain. Referensi tersebut bisa didapatkan

melalui sebuah artikel, buku, paper, atau hasil karya

lainnya yang memiliki keterkaitan dengan referensi

yang dibutuhkan. Seiring berjalannya waktu, era

digital semakin berkembang dan mengakibatkan

suatu dokumen mulai direpresentasikan dalam bentuk

digital dan dapat di sebarluaskan dengan mudah

dengan adanya internet. Hal tersebut mengakibatkan

tindakan plagiarisme cenderung lebih mudah

dilakukan. Dalam paper ini akan dilakukan

pendeteksian plagiarisme menggunakan pendekatan

text alignment dengan menggunakan proses (1)

Preprocessing (2) Seeding (3) Extension (4)

Filtering. Tujuan dari text alignment merupakan

mencari pasangan fragmen yang digunakan kembali

atau menjadi sumber dari dokumen terduga. Dataset

yang digunakan terkategori menjadi beberapa tipe

yaitu no plagiarism, no obfuscation, random

obfuscation, translation obfuscation, dan summary

obfuscation [1] dimana setiap tipe memiliki

karakteristiknya masing masing. Adapun dalam

penyelesaianya akan digunakan metode sentence

similarity menggunakan tf-idf, cosine similarity dan

dice coefficient kemudian hasil akhir dari fragmen

yang dihasilkan akan dievaluasi dengan 2 evaluasi

yaitu evaluasi level kasus dan evaluasi level karakter.

Untuk evaluasi pada level kasus didapatkan nilai f-

measure sebesar 0.976761563 sedangkan untuk

evaluasi level karakter didapatkan nilai f-measure

sebesar 0.708385162.

Kata kunci :

plagiarisme, text alignment, sentence similarity,

cosine similarity, dice similarity, tf-idf, parameter

adaptif.

Abstract

To make a paper or scientific work can’t be

denied that the authors need information and

references from other people's work. The reference

can be obtained through an article, book, paper, or

other works that have relevance to the references that

required. Over the time, the growth of digital era

makes documents represented as digital documents

that can easily accessed in the internet, therefore it's

makes anyone can do a plagiarism easily. This paper

will explained about plagiarism detection using text

alignment approach that have 4 process (1)

Preprocessing (2) Seeding (3) Extension (4) Filtering.

The purpose of the text alignment is looking for

fragments that reused or be a source of suspicious

documents. The dataset that used in this research

categorized in 5 types : no plagiarism, no

obfuscation, random obfuscation, obfuscation

translation and summary obfuscation [1] where each

type has their own characteristics. In this paper

plagiarism detection using sentence similarity with tf-

idf, cosine similarity dan dice coefficient. The final

fragment that resulted form that process will evaluate

in two ways. First, use case level evaluation that get

0.976761563 for f-measure value. Second, use

character level evaluation that get 0.708385162 for f-

measure value.

Keywords :

plagiarism, text alignment, sentence similarity, cosine

similarity, dice similarity, tf-idf, adaptive parameter.



19


I. PENDAHULUAN

Dalam membuat suatu karya tulis atau karya

ilmiah tidak dapat dipungkiri bahwa penulis

membutuhkan informasi dan referensi hasil karya

orang lain. Referensi tersebut bisa didapatkan melalui

sebuah artikel, buku, jurnal, atau hasil karya lainnya

yang memiliki keterkaitan dengan referensi yang

dibutuhkan. Pada awalnya karya tulis hanya

dituangkan dalam tulisan tangan manusia. Seiring

berjalannya waktu, era digital semakin berkembang

dan mengakibatkan suatu dokumen mulai

direpresentasikan dalam bentuk digital dan dapat di

sebarluaskan dengan mudah dengan adanya internet.

Dipaparkan dalam [1], melalui hasil penelitian dari

IBM, Compac dan Alta Vista terdapat lebih dari 600

juta laman unik yang memiliki variasi topik yang

sangat luas. Hal itu memberikan fakta bahwa dalam

pencarian suatu topik permasalahan dalam internet

sebagian besar akan didapatkan hasil yang relevan

dan sesuai dengan kebutuhan. Perkembangan tersebut

memberikan kecenderungan seseorang untuk

melakukan tindakan plagiat dengan mudah.

Seperti yang dijelaskan dalam [2] tindakan

plagiarisme dapat dibedakan menjadi dua jenis yaitu

literal plagiarism dan intelligent plagiarism. Teknik

plagiarisme yang dapat dilakukan untuk literal

plagiarism diantaranya adalah melakukan copy-paste

secara langsung dan melakukan copy-paste dengan

tambahan modifikasi didalamnya. Sedangkan teknik

yang digunakan untuk intelligent plagiarism

diantaranya adalah mengadopsi ide, mengartikan

kedalam Bahasa lain, paraphrasing dan mengambil

intisari dalam karya tulis tersebut. Tentu saja semua

kegiatan tersebut dilakukan tanpa mencantumkan

sumber referensi yang digunakan.

Pada umumnya, sistem pendeteksian plagiat

biasanya hanya dapat menentukan apakah kedua

pasang dokumen yang dinputkan terindikasi plagiat

atau tidak, namun belum dapat memberikan

informasi bagian mana dari kedua teks yang dapat

mengakibatkan pasangan dokumen tersebut

diindikasikan plagiat. Dengan menggunakan

pendekatan text alignment, setiap bagian dari

dokumen dalam pasangan dokumen akan dilihat dan

diidentifikasi untuk mendapatkan pasangan bagian

dari dokumen sumber yang dipergunakan kembali

oleh dokumen yang diduga plagiat. Dalam

melakukan identifikasi tersebut, akan dilakukan 4

tahap yaitu (1) Preprocessing, (2) Seeding, (3)

Extension dan (4) Filtering [3].

Dalam penelitian sebelumnya, untuk

mendapatkan bagian yang saling ber-align antara

pasangan dokumen akan dilakukan identifikasi yang

tersegmentasi dalam pencarian kesamaan antar

kalimat yang dimiliki oleh pasangan dokumen

dengan menggunakan ekstraksi fitur term frequency-

inverse document frequency (TF-IDF), menggunakan

cosine similarity dan dice coefficient untuk

menghitung kesamaan antar bagian dokumen dan

observasi penggunaan beberapa parameter pada

setiap tahap yang dapat menyesuaikan sesuai tipe

plagiarisme yang dilakukan [4] [5] [6]. Sedangkan

dalam penelitian ini akan dilakukan analisis dalam

perbedaan perlakuan dalam tahap preprocessing pada

kedua dokumen dan dampak perubahan performansi

terhadap perubahan parameter dalam tahap seeding

dan extension dan melakukan evaluasi hasil dalam 2

level, yakni level kasus dan level karakter.


II.1 Text Alignment

Text alignment merupakan suatu pendekatan

yang dapat digunakan dalam mendeteksi apakah

kedua pasang dokumen merupakan dokumen yang

plagiat atau tidak. Tujuan dari pendekatan ini adalah

mencari bagian dari dokumen yang digunakan

kembali atau menjadi sumber dari dokumen terduga

[3]. Suatu bagian antara dua dokumen dikatakan

saling ber-align apabila bagian tersebut memiliki

kesamaan yang cukup. Setiap hasil alignment yang

terbentuk antar dua dokumen menunjukan fragmen

yang mengindikasi pasangan dokumen tersebut

terindikasi plagiat atau tidak. Dalam mengidentifikasi

fragmen yang ber-align antar kedua dokumen,

terdapat 3 tahap khusus yang harus dilakukan,

diantaranya adalah

II.1.1 PROSES SEEDING

Seeding merupakan tahapan pertama dari

pendekatan text alignment. Tujuan dari tahap ini

adalah pencarian bakal calon dari dokumen sumber

dan dokumen terduga yang memiliki kesamaan

diantara keduanya. Dalam tahap ini akan dilakukan

pencarian pasangan bagian dokumen yang memiliki

kecocokan dalam hal kesamaan yang kemudian

disebut sebagai seeds [3].

II.1.2 PROSES EXTENSION

Extension merupakan tahap kedua yang

dilakukan setelah mendapatkan hasil seeds dari

proses seeding. Tahap ini bertujuan untuk


20


memperluas dengan cara menggabungkan hasil seed

dengan aturan tertentu sehingga membentuk suatu

bagian dimana dokumen sumber dan dokumen

terduga saling ber-align [3].

II.1.3 PROSES FILTERING

Setelah proses extension dilakukan,

terbentuklah sebuah fragmen yang lebih besar. Tugas

dari tahap filtering merupakan meningkatkan

ketepatan dari bagian yang terindikasi saling ber-

align sehingga sesuai dengan parameter yang telah

ditentukan [3], sehingga pada tahap ini akan

dilakukan pengihalangan bagian bagian yang tidak

akurat.

II.2 TERM FREQUENCY-INVERSE

DOCUMENT FREQUENCY (TF-IDF)

Dalam mengukur kesamaan suatu dokumen

teks, dibutuhkan pendaftaran dan pembobotan fitur

yang dimiliki oleh dokumen tersebut. Salah satu

metode yang dapat digunakan adalah TF-IDF.

Dengan menggunakan TF-IDF setiap dokumen akan

direpresentasikan menjadi vektor yang berisikan

setiap bobot fitur yang dimiliki oleh dokumen

tersebut.

Term frequency merupakan suatu metode

pembobotan yang memperhitungkan jumlah

kemunculan suatu term didalam suatu dokumen.

Semakin banyak term tersebut muncul dalam

dokumen tersebut maka term tersebut semakin

penting. TF dapat dinotasikan kedalam rumus (1)

dimana d berarti dokumen dan t berarti term yang

terdapat di dokumen tersebut.

(1)

Berbeda dengan TF, IDF merupakan suatu

metode yang digunakan untuk memperhitungkan

kemunculan term atau kata pada setiap dokumen.

Suatu term dinilai penting apabila memiliki frekuensi

kemunculan yang tinggi, namun apabila term tersebut

muncul di setiap dokumen maka term tersebut

merupakan term umum dan tidak dapat dijadikan

pembeda atau ciri khas. Menggunakan IDF term yang

muncul di banyak dokumen akan semakin kecil

nilainya. Nilai IDF didapat dari perhitungan log basis

10 dari hasil pembagian jumlah seluruh dokumen

terhadap jumlah dokumen dimana term tersebut

muncul secara lebih jelas dapat dilihat pada rumus

(2).

(2)

Bobot dari suatu dokumen dapat dihasilkan

melalui perkalian hasil perhitungan TF dan IDF yang

dirumuskan dalam rumus (3).

(3)

II.3 COSINE SIMILARITY

Perhitungan kesamaan suatu teks misalkan

dokumen menggunakan cosine similarity didapatkan

dari hasil pembagian perkalian dot dari kedua vektor

yang dihasilkan oleh fitur masing masing dokumen

dengan perkalian panjang masing masing vektor

kedua dokumen, secara lebih jelasnya dapat

dijelaskan dalam rumus (4).

(4)

II.4 DICE COEFFICIENT

Perhitungan kesamaan suatu teks misalkan

dokumen menggunakan dice coefficient didapatkan

dari hasil pembagian 2 dikali jumlah term yang

terdapat di kedua dokumen terhadap perkalian jumlah

term yang muncul pada masing masing dokumen

yang dirumuskan dalam rumus (5).

(5)


Sistem pendeteksian plagiarisme yang dibangun

dalam penelitian ini dibangun dalam beberapa tahap

yang diantaranya adalah (1) Preprocessing, (2)

Seeding, (3) Extension dan (4) Filtering. Sistem akan

menerima inputan berupa 2 dokumen yaitu dokumen

sumber dan dokumen terduga. Kedua dokumen

tersebut kemudian dipasangkan dan akan dianalisis

apakah terdapat fragmen yang ada dalam dokumen

sumber yang digunakan kembali dalam dokumen

terduga. Hasil keluaran dari sistem merupakan

fragmen dari masing masing dokumen yang

diidentifikasi menjadi bagian plagiat dan status

pasangan dokumen tersebut yang di bagi menjadi 2

kelas yaitu kelas bukan plagiat dan plagiat secara

umum proses dapat dilihat pada gambar 1.

Sebelum memasuki proses seeding, kedua

dokumen yang diinputkan akan dilakukan proses


21


preprocessing. Tahap preprocessing yang digunakan

dalam penelitian ini adalah

1. Pemisahan setiap kalimat dalam dokumen

menjadi suatu unit tunggal.

2. Mengkonversi kalimat kedalam bentuk

lowercase.

3. Menghilangkan tanda baca dan tokenisasi.

4. Melakukan konversi angka sederhana, bulan

dan hari kedalam bentuk standar.

5. Melakukan perubahan kata menjadi kata

dasar.

Gambar 8 Skema Umum Sistem

Tahapan preprocessing menghasilkan setiap

fitur kalimat yang dimiliki oleh dokumen sumber dan

dokumen terduga. Selanjutnya akan dilakukan proses

ektraksi fitur yang merpakan sub proses dari tahap

seeding menggunakan TF-IDF. Setiap kalimat dalam

dokumen akan membentuk suatu vektor berukuran

[1xn] dimana n merupakan jumlah kosa kata yang

terdapat dalam dua dokumen. Selanjutnya setiap fitur

kalimat antara dua dokumen yang terbentuk akan

dipetakan secara fully connected untuk dihitung

kesamaannya menggunakan dice coefficient dan

cosine similarity. Setiap pasangan kalimat yang

memiliki nilai kesamaan melebihi threshold yang

ditentukan maka pasangan tersebut ditambahkan

kdalam sebuah himpunan yang dinamakan seeds [5].

Setelah didapatkan hasil pasangan kalimat

sebagai bakal calon fragmen antara kedua dokumen,

selanjutnya akan dilakukan proses extension yang

berguna untuk memperluas seeds dengan cara

menggabungkan setiap kalimat yang jaraknya kurang

dari maxGap yang ditentukan. Terdapat dua buah

kemungkinan maxGap yang akan dipergunakan

dalam proses extension, yang pertama adalah 4,

maxGap ini diperuntukan kepada tipe selain

summary obfuscation. Adapun maxGap yang kedua

sebesar 24 diperuntukan khusus untuk tipe summary

obfuscation yang biasanya memiliki fragmen

dokumen sumber 3 kali lebih panjang dibandingkan

dokumen terduga [5].

Gambar 9 Skema Proses Extension

Tahapan pada proses extension akan dilakukan

secara rekursif dengan proses yang dijalankan pada

hasil seeds pada sisi dokumen terduga, selanjutnya

dari hasil extension pada dokumen terduga akan

dijadikan inputan untuk proses extension pada hasil

seeds di sisi dokumen sumber. Setiap hasil pasangan

fragmen yang terbentuk akan dihitung kembali nilai

kesamaannya menggunakan cosine similarity dan

apabila pasangan fragmen tersebut nilai kesamaannya

tidak melebihi threshold yang ditentukan, maka akan

dilakukan decreament nilai maxGap sampai keadaan

fragmen tersebut diterima atau maxGap belum

bernilai 1. Sebaliknya apabila fragmen yang

dihasilkan memiliki kesamaan melebihi threshold

maka fragmen akan diinputkan.

Setiap pasangan fragmen yang dihasilkan dari

proses extension kemudian akan melalui validasi

kembali dalam tahap filtering. Didalam proses

filtering terdapat 2 sub proses yang diantaranya

adalah

1. Penghapusan pasangan fragmen yang memiliki

panjang kurang dari 150 karakter.

2. Pengilangan kasus fragmen yang saling beririsan

[5].


22


Untuk mengevaluasi hasil yang didapat dari

sistem terdapat 2 level evaluasi yaitu evaluasi

berdasarkan kasus dan evaluasi berdasarkan karakter.

Evaluasi pada level ini bertujuan untuk mengetahui

apakah suatu sistem telah optimal dalam mendeteksi

suatu dokumen terduga terindikasi melakukan plagiat

dengan dokumen sumber. Evaluasi dalam level ini

akan diperhitungkan menggunakan precision, recall,

dan F-Measure. Untuk mendapatkan ketiga nilai

tersebut, akan dibentuk sebuah confusion matrix yang

dibangun oleh perhitungan 4 kategori yaitu true

positive (TP), false positive (FP), false negative (FN)

dan true negative (TN).

Berbeda dengan hasil evaluasi kasus yang hanya

memperhitungkan kemampuan sistem untuk

mengindikasi plagiat atau bukan, pada evaluasi

berbasis karakter setiap fragmen yang ditebak oleh

sistem akan diperhitungkan kesesuaiannya dengan

fragmen yang seharusnya. Recall merupakan suatu

representasi proporsi banyaknya karakter yang

beririsan dari setiap potongan dokumen yang

bersesuaian antara kondisi aktual (direpresentasikan

dengan s) dan kondisi hasil deteksi sistem

(direpresentasikan dengan r) terhadap seluruh

karakter s. Sedangkan precision merupakan suatu

representasi proporsi banyaknya karakter yang

beririsan dari setiap potongan dokumen yang

bersesuaian antara kondisi aktual s dan kondisi hasil

deteksi sistem r terhadap seluruh karakter r [7].

Secara lengkap perhitungan recall, precision, dan F-

Measures untuk masing masing evaluasi dapat dilihat

dalam tabel 1.

Jenis

Evaluasi

Berdasarkan

Karakter Berdasarkan Kasus

Recall

Precision

F-

Measures

Tabel 7 Perhitungan Evaluasi

Dataset yang digunakan dalam penelitian ini

diambil dari kompetisi PAN - CLEF 2014 dengan

kategori Plagiarism Detection dengan pendekatan

Text Alignment. Terdapat 3 buah data yang masing

masingnya terdapat 5 buah tipe plagiarism yang

berbeda dengan persebaran yang dapat dilihat dalam

tabel 2.

Nama

Dataset

Tipe Plagiarisme (Plagiat : Bukan Plagiat)

NP NO RO TO SO

Training 0:1000 1000:0 1000:0 1000:0 238:947

Testing

C1 0:90 108:0 94:0 105:0 24:97

Testing

C2 0:1000 1000:0 1000:0 1000:0 236:949

Tabel 8 Persebaran Data dalam Dataset

Keterangan :

NP = No Plagiarism

NO = No Obfuscation

RO = Random Obfuscation

TO = Translation Obfuscation

SO = Summary Obfuscation

Dalam penelitian ini, terdapat beberapa skenario

yang dijalankan dan diobservasi diantaranya adalah

1. Pemilihan teknik preprocessing : lemmatization

(A), lemmatization tanpa menggunakan POS

tagging (B), dan stemming (C).

2. Pemilihan threshold untuk kesamaan pada proses

seeding : 0.25 (A), 0.33 (B), dan 0.42 (C).

3. Pemilihan threshold untuk kesamaan pada proses

extension : 0.3 (A), 0.4 (B), dan 0.48 (C).

Sedangkan untuk nilai maxGap dan

maxGapSummary yang digunakan pada proses

extension dan nilai minplaglength dalam proses

filtering mengacu pada paper acuan [5] yakni sebesar

4 untuk maxGap, 24 untuk maxGapSummary dan 150

karakter untuk minplaglength. Untuk setiap

kemungkinan yang terdapat dalam masing masing

skenario kemudian akan di kombinasikan dan di uji

cobakan adapaun detail kombinasi yang dijalankan

dalam penelitian ini diantaranya adalah

K Preprocessing Th.

Seeding

Th.

Extension

K1 A A A

K2 B A A

K3 C A A


23


K4 A B B

K5 B B B

K6 C B B

K7 A C C

K8 B C C

Tabel 9 Kombinasi Skenario Pengujian

Gambar 10 Hasil Evaluasi pada Level Kasus

Gambar 11 Hasil Evaluasi pada Level Karakter

Untuk hasil evaluasi pada level kasus

didapatkan nilai F-Measure tertinggi pada kombinasi

K4 yaitu sebesar 0.976761563 dengan menggunakan

metode lemmatization untuk preprocessing, nilai

threshold seeding sebesar 0.25 dan nilai threshold

extension sebesar 0.3. Sedangkan untuk hasil evaluasi

pada level karakter didapatkan nilai F-Measure

tertinggi pada pada kombinasi K2 yaitu sebesar

0.708385162 dengan menggunakan metode stemming

untuk preprocessing, nilai threshold seeding sebesar

0.33 dan nilai threshold extension sebesar 0.4.

Gambar 12 Hasil Evaluasi pda Level Karakter K2

pada Setiap Tipe Plagiarisme

Seperti yang telah dijelaskan sebelumnya,

didalam dataset terdapat beberapa tipe plagiarism

yang diantaranya adalah no obfuscation, random

obfuscation, summary obfuscation dan translation

obfuscation. Setiap tipe plagiarism tersebut memiliki

karakteristiknya masing masing dengan

menggunakan parameter kombinasi K2 setiap hasil

nilai f-measure, recall, dan precision dapat dilihat

dalam gambar 5. Dalam gambar tersebut sistem yang

diteliti mendapatkan hasil terbaik pada tipe no

obfuscation dan nilai terkecil pada tipe summary

obfuscation. Plagiarisme dengan tipe no obfuscation

dapat di tebak fragmennya dengan mudah

dikarenakan tindakan plagiarism yang dilakukan

dalam tipe tersebut cenderung masih menggunakan

kata kata yang sama tanpa mengunkan paraphrasing

dan sebaliknya untuk tipe summary obfuscation

sistem masih memiliki kekurangan untuk mendeteksi

fragmen yang lebih banyak.

Kombinasi parameter terbaik yang ditunjukan

pada setiap level evaluasi berbeda dikarenakan teknik

evaluasi pada level kasus menilai secara keseluruhan

dan tidak memperdulikan ketepatan fragmen yang

terdeteksi, sehingga dengan proporsi dataset yang

lebih banyak label plagiarism penggunaaan nilai

threshold yang lebih kecil mengakibatkan

kemungkinan fragmen yang terdeteksi lebih besar

sehingga nilai precision yang dihasilkan sangat

tinggi. Hal itu dibuktikan dengan nilai recall yang

dihasilkan juga lebih rendah dibandingkan kombinasi

yang menggunakan threshold yang lebih besar.

Sedangkan untuk evaluasi pada level karakter nilai


24


threshold yang paling cocok adalah 0.33 untuk nilai

threshold seeding dan 0.4 untuk nilai threshold

extension. Threshold tersebut dinilai cocok karena

tidak terlalu besar atau kecil sehingga fragmen yang

terdeteksi seimbang sehingga tidak terjadi

ketimpangan nilai precision dan recall yang

dihasilkan.

Adapun pengaruh pemilihan penggunaan

lemmatization, stemming, dan lemmatization tanpa

menggunakan POS tagging dalam tahap

preprocessing dalam penelitian ini tidak memberikan

perbedaan yang cukup signifikan terhadap nilai F-

Measure, recall, dan precision untuk kedua level

akurasi. Namun dari seluruh hasil evaluasi pada

setiap kombinasi yang dijelaskan dalam gambar 3

dan 4 menunjukan rata rata nilai yang paling besar

yang didapatkan untuk setiap threshold yang sama

terdapat pada kombinasi parameter yang

menggunakan stemming untuk proses preprocessing-

nya walaupun hasil terbaik yang didapatkan didapat

pada kombinasi K4 menggunakan lemmatization

namun selisih nilai dengan kombinasi K5 yang

menggunakan stemming dengan nilai threshold yang

sama sangatlah kecil.


Sistem pendeteksi plagiarism pada penelitian ini

dibangun dengan pendekatan text alignment dengan

mengunakan kalimat untuk menjadi satuan unit untuk

membangun fragmen yang diduga merupakan hasil

plagiat dari dua dokumen. Dalam menentukan

fragmen tersebut terdapat 4 proses yang dijalankan

yaitu (1) Preprocessing, (2) Seeding, (3) Extension

dan (4) Filtering dengan parameter adaptif. Dataset

yang digunakan dalam penelitian ini diambil dari

kompetisi PAN - CLEF 2014 dengan kategori

Plagiarism Detection dengan pendekatan Text

Alignment dengan tipe no plagiarism, no obfuscation,

random obfuscation, translation obfuscation dan

summary obfuscation [1].

Untuk mengevaluasi hasil yang didapat oleh

sistem yang dibangun digunakan dua buah evaluasi,

yaitu evaluasi pada level kasus dan evaluasi pada

level karakter. Pada evaluasi level kasus hasil terbaik

didapatkan pada penggunaan lemmatization untuk

preprocessing, nilai threshold seeding sebesar 0.25

dan nilai threshold extension sebesar 0.3 dengan hasil

F-measure sebesar 0.976761563. Sedangkan pada

evaluasi level karakter hasil terbaik didapatkan pada

penggunaan stemming untuk preprocessing, nilai

threshold seeding sebesar 0.33 dan nilai threshold

extension sebesar 0.4 dengan hasil F-measure sebesar

0.708385162. Dari hasil keseluruhan tersebut, sistem

yang diteliti mendapatkan hasil terbaik pada tipe no

obfuscation dan nilai terkecil pada tipe summary

obfuscation.

Untuk penelitian lebih lanjut, dapat

dipertimbangkan penggunaan pengukuran kesamaan

yang meperhitungkan kesamaan sebuah kata yang

berdasar pada arti katanya, karena tindakan

plagiarism khususnya pada tipe summary obfuscation

terdapat perubahan bentuk kata seperti paraphrase

atau penggantian kata menggunakan kata

sinonimnya.

REFERENSI

[

1] P. Clough, "Plagiarism in natural and

programming languages: an overview of current

tools and technologies," 2000.

[

2]

Salha M. Alzahrani, Naomie Salim, Ajith

Abraham, "Understanding Plagiarism Linguistic

Patterns, Textual Features, and Detection

Methods," IEEE, vol. 42, no. 2, pp. 133-149,

2012.

[

3]

Martin Potthast,1 Matthias Hagen,1 Anna

Beyer, Matthias Busse, Martin Tippmann, Paolo

Rosso, and Benno Stein, "Overview of the 6th

International Competition on Plagiarism

Detection," PAN, 2014.

[

4]

Shuai W Ang, Haoliang Qi, Leilei

Kong,Cuixia Du , "Combination Of VSM And

Jaccard Coefficient For External Plagiarism

Detection," International Conference on

Machine Learning and Cybernetics, pp. 1880 -

1885, 2013.

[

5]

Miguel A. Sanchez-Perez, Grigori Sidorov,

Alexander Gelbukh , "The Winning Approach to

Text Alignment for Text Reuse Detection at

PAN 2014," PAN at CLEF 2014 , pp. 1004 -

1011, 2014.


25


[

6]

"Comparison of Jaccard, Dice, Cosine

Similarity Coefficient To Find Best Fitness

Value for Web Retrieved Documents Using

Genetic Algorithm," International Journal of

Innovations in Engineering and Technology

(IJIET), vol. 2, no. 4, pp. 202-205, 2013.

[

7]

Martin Potthast, Benno Stein, Alberto

Barrón-Cedeño, Paolo Rosso, "An Evaluation

Framework for Plagiarism Detection,"

Proceedings of the 23rd International

Conference on Computational Linguistics,

COLING 2010, 2010.

[

8]

Wael H. Gomaa, Aly A. Fahmy , "A

Survey of Text Similarity Approaches,"

International Journal of Computer Applications

, vol. 68, no. 13, pp. 13-18, 2013.

[

9]

Khadijeh Khoshnavataher, Vahid Zarrabi,

Salar Mohtaj, Habibollah Asghari , "Developing

Monolingual Persian Corpus for Extrinsic

Plagiarism Detection Using Artificial

Obfuscation," Notebook for PAN at CLEF 2015

, 2015.

[

10]

Samira Abnar, Mostafa Dehghani, Hamed

Zamani, and Azadeh Shakery, "Expanded N-

Grams for Semantic Text Alignment," Notebook

for PAN at CLEF 2014, 2014.

[

11]

Badan Pengembangan dan Pembinaan

Bahasa, Kemdikbud, "Kamus Besar Bahasa

Indonesia (KBBI)," Kemenbikbud, 2016.

[Online]. Available: http://kbbi.web.id.

[Accessed Maret 2016].

[

12]

D. Glinos, "Discovering Similar Passages

within Large Text Documents," Springer

International Publishing Switzerland , pp. 98-

109, 2014.

[

13]

T. Kuˇceˇcka, "Plagiarism Detection in

Obfuscated Documents Using an N-gram

Technique," Information Sciences and

Technologies Bulletin of the ACM Slovakia, vol.

3, no. 2, pp. 67-71, 2011.

[

14]

H. B. P. Nobertus Krisandi, "Algoritma K-

Nearest Neighbor Dalam Klasifikasi Data Hasil

Produksi Kelapa Sawit Pada PT. Minamas

Kecamatan Parindu," Buletin Ilmiah Math. Stat.

dan Terapannya (Bimaster) , vol. 02, no. 01, pp.

33-38, 2013.

[

15]

PAN, "PAN @ CLEF 2014," 2014.

[Online]. Available:

http://pan.webis.de/clef14/pan14-

web/plagiarism-detection.html. [Accessed 2

Maret 2016].


26


DETEKSI IMAGE FACE SPOOFING MENGGUNAKAN LOCAL

BINARY PATTERN DALAM RUANG WARNA YCBCR

Salehah Wijayanti

Fakultas Teknik Informatika, Jurusan Teknik Informatika

Universitas Telkom

Jalan Telekomunikasi No.1, Bandung, Indonesia

[email protected]

Abstrak

Dewasa ini, sistem keamanan menggunakan

deteksi wajah sebagai sistem autentik utama

keamanannya dapat diretas dengan mudah yaitu

dengan cara menipu, menunjukan image face

spoofing didepan kamera. Image face spoofing

diperoleh dengan gambar print wajah atau video

wajah seseorang yang memiliki ciri sama dengan

wajah asli, guna menipu sistem dan menerobos

sistem keamanan. Penelitian mengenai deteksi wajah

anti-spoofing sudah banyak dilakukan dengan

berbagai metode salah satunya dengan menggunakan

Local Binary Pattern (LBP). LBP dipahami secara

luas merupakan metode komputasi yang cukup

sederhana namun memiliki kemampuan menyimpan

informasi ciri gambar yang baik. Pada penelitian-

penelitian sebelumnya yang menggunakan metode

LBP berfokus hanya pada ruang warna grayscale

saja. Pada penelitian ini, penulis menggunakan

metode LBP yang berfokus pada analisis warna

luminansi dan kromasi dari gambar wajah dengan

menggunakan ruang warna YCbCr yang memiliki

karakteristik mendekati warna kulit manusia.

Klasifikasi yang digunakan adalah K-Nearst

Neighbour. Dataset yang digunakan pada penelitian

ini adalah NUAA Photograph Imposter Database.

Dengan pendekatan metode yang dilakukan dalam

penelitian ini, sistem berhasil mendapatkan tingkat

akurasi mencapai 84.20%.

Kata kunci:

K-Nearst Neighbour, Local Binary Pattern, ruang

warna YCbCr, Spoofing

Abstract

At present, the security system using face

detection as an authentic system of primary safety

can be hacked easily by tricking image shows the

face spoofing front of the camera. Spoofing face

image obtained by the print image or video face the

face of someone who has the same characteristics of

the original face, in order to cheat the system and

break through the security system. Research on anti-

spoofing face detection has been done by various

methods one using Local Binary Pattern (LBP). LBP

is widely understood is quite simple computational

methods but has the ability to store information

characteristic of image. In previous studies using the

method LBP focuses only on grayscale color space

only. In this study, the authors use the method of LBP

focusing on luminance and color analysis kromasi of

the facial image by using the YCbCr color space that

has characteristics closer to human skin color.

Classification used is the K-nearst Neighbour. The

dataset used in this study is NUAA imposter

Photograph Database. With the approach of the

method applied in this research, the system managed

to get an accuracy of 84.20%.

Keywords:

K-Nearst Neighbour, Local Binary Pattern, ruang

warna YCbCr, Spoofing

I. PENDAHULUAN

Tren sistem keamanan saat ini adalah

menggunakan biometric. Biometric adalah ciri yang

dimiliki oleh manusia bisa berupa sidik jari, kelopak

mata dan wajah namun, sudah bukan rahasia umum

sistem keamanan menggunakan wajah rentan adanya

spoofing attack atau penyerangan akses [2]. Beberapa

kasus terkait peretasan sistem keamanan dengan

biometric telah ditemukan salah satunya terjadi pada

sebuah demonstrasi selama Konferensi Internasional

tentang Biometric (ICB 2013), penyusup perempuan

dengan spesifik make-up berhasil membodohi sistem

pengenalan wajah [1]. Selain itu terdapat penelitian

kasus spoofing attack bahwa gambar wajah yang ada


27


pada jaringan sosial online memiliki resiko untuk

menipu software otentifikasi sebesar 77% yaitu

dengan menyajikan face spoofing di depan kamera

keamanan guna melewati sistem keamanan tersebut

[1]. Hal tersebut memberikan gambaran kerentanan

sistem keamanan dengan pengenalan wajah untuk

serangan spoofing.

Beberapa penelitian tentang anti- face

spoofing telah dilakukan guna meningkatkan

keamanan sistem agar mendeteksi gambar wajah

spoofing Metode-metode yang telah digunakan pada

penelitian tersebut untuk mendapatkan fitur ciri yang

berguna dalam mendeteksi gambar spoofing antara

lain menggunakan Local Binary Pattern (LBP)

[1][10], Motion Magnification [3], HOOF [4], dan

LDA [4]. Dari beberapa metode pada penelitian

tersebut, tedapat metode yang komputasinya cukup

sederhana namun memberikan hasil yang maksimal

dalam mengekstraksi ciri image face spoofing guna

mendeteksi gambar spoofing, yaitu Local binary

pattern (LBP)[10].

Mata manusia memang lebih sensitif

terhadap pencahayaan dari pada gelap, sehingga

image face spoofing masih terlihat sangat mirip

dengan yang asli sehingga sulit membedakan ketika

potongan gambar wajah yang sama dengan image

face spoofing ditampilkan atau dijejerkan dalam

warna. Namun, jika gambar diubah ke komponen

warna lain, beberapa perbedaan karakteristik sudah

dapat dilihat. Penelitian sebelumnya yang

menggunakan LBP berfokus pada ruang warna

gryscale namun membuang informasi warna yang

dapat berguna untuk membedakan image spoofing

dari yang asli [1]. Selain itu, ruang warna YCbCr

memiliki bentuk warna yang mendekati kulit

manusia. Oleh karena itu, dalam penelitian ini penulis

menggunakan metode Local Binary Pattern (LBP)

guna mengekstrak informasi warna-tekstur pada

ruang warna YCbCr untuk membedakan wajah asli

dengan spoofing.


Pada penelitian ini terdapat dua kelas dalam

dataset yaitu kelas spoof (wajah palsu) dan nonspoof

(wajah asli). Gambar wajah palsu diambil dari

memperlihatkan wajah target menggunakan cetakan

wajah target (print) dihadapan kamera sistem

keamanan sehingga sudah berbeda proses

pengambilan gambar dengan pengambilan gambar

wajah asli secara langsung pada kamera keamanan.

Pengambilan ulang gambar tersebut tidak bisa secara

langsung dibedakan bila disejajarkan, sehingga perlu

mencari ciri perbedaan gambar wajah asli dengan

wajah palsu. Hal tersebut bisa dilakukan dengan

ekstraksi ciri menggunakan analisis tekstur gambar

serta analisis komponen warna luminasi dan kromasi.

Sebelum dilakukan ektraksi ciri terdapat

beberapa tahapan yaitu preprocessing, konversi

gambar ke ruang warna YCbCr, kemudian ekstraksi

ciri, dan klasifikasi. Preprocessing gambar dilakukan

dengan memotong gambar agar fokus pada area

wajah saja yang digunakan pada saat ekstraksi ciri

dilakukan.

Ruang warna YCbCr kadang disebut sebagai

YCC adalah ruang warna yang tergolong warna

spesifik aplikasi, termasuk diadopsi dari sistem TV

(YUV, YIQ), sistem foto (YCC) dan sistem print

(CMY (K)) [11]. Y adalah komponen luma, Cr adalah

selisih komponen warna merah suatu gambar dan Cb

adalah selisih komponen warna biru kroma [6].

Ruang YCbCr dapat dihitung dari nilai warna RGB.

Local Binary Pattern (LBP) merupakan

operator analisis tekstur gambar yang memiliki 2

parameter yaitu ketetanggaan (P) dan radius (R) dari

piksel tengah. LBP melakukan thresholding dengan

membandingkan nilai ketetanggaannya dengan nilai

tengah piksel. Hasil perbandingan tersebut berupa

nilai biner (1, 0) yang kemudian dijumlahan dengan

perkalian pangkat 2. Berikut persamaan dari LBP.

Gambar 13. Wajah asli dan wajah palsu pada

ruang warna RGB, grayscale dan YCbCr [5]

(1)

[8]

(2)

[8]


28


Dimana adalah nilai dari piksel tetangga dan

adalah nilai dari piksel pusat. Selanjutnya nilai

s(x) = 1 jika x 0 dan 0 jika sebaliknya. Nilai LBP

titik pusat merupakan nilai desimal dari rangkaian

angka biner dari piksel tetangga yang disusun searah

jarum jam [7]. Hasil dari proses ekstraksi ciri LBP

berupa histogram fitur ciri.

K-Nearest Neighbor adalah contoh

algoritma berbasis pembelajaran, dimana dataset

pelatihan (training) disimpan, sehingga klasifikasi

untuk data uji belum terklasifikasi didapatkan dengan

membandingkannya dengan data yang paling mirip

dengan training set [8]. Ada banyak cara untuk

mengukur jarak kedekatan antara data uji dengan data

lama (data training), diantaranya euclidean distance

dan manhattan distance (city block distance), yang

paling sering digunakan adalah euclidean distance.

Selain daripada itu euclidean distance mempunyai

hasil akurasi paling baik dibandingkan dengan

metode berdasarkan jarak pada klasifikasi K-Nearest

Neighbor [8]. Berikut merupakan persamaan yang

digunakan dalam mencari jarak terdekat dengan

euclidean distance.

Dimana matriks d adalah jarak skalar dari kedua

vektor x dan y dari matriks dengan ukuran n dimensi.

Pada fase training, algoritma ini hanya melakukan

penyimpanan vektor-vektor fitur dan klasifikasi data

training sampel. Pada fase klasifikasi, fitur-fitur yang

sama dihitung untuk data uji (yang klasifikasinya

tidak diketahui). Jarak dari vektor baru/ data uji

dihitung terhadap seluruh vektor training sampel dan

sejumlah K buah yang paling dekat diambil. K adalah

parmater untuk menentukan banyak data yang

diambil dari jarak terdekat. Titik data uji

klasifikasinya diprediksikan pada klasifikasi

terbanyak dari titik-titik tersebut [8].

Dataset yang digunakan yaitu NUAA

Photograph Imposter Database. Disediakan pada

dataset gambar asli langsung (cilent) dari wajah

subjek, dan dari foto subjek (imposter) [5]. Gambar

asli diambil menggunakan webcam, menghadap

kamera secara frontal. Didalam dataset yang terdapat

beberapa kategori gambar yaitu gambar dengan kaca

mata dan tidak berkacamata, lokasi di kondisi

bercahaya, kondisi dengan jendela tertutup maupun

terbuka dengan penerangan yang ada. Hal tersebut

memberikan variansi data latih dan data uji. Berikut

contoh data gambar yang terdapat di dalam dataset

dapat dilihat pada Gambar 3.

Gambar 15. Bebrapa kategori pengambilan

gambar wajah asli dan wajah palsu pada dataset

Perhitungan akurasi menggunakan

confusionmatrix serta precision dan recall digunakan

karena menggunakan data yang tidak seimbang

jumlah antara data image spoofing dengan nonspoof

[9].


Sistem deteksi image spoofing ini terbagi

menjadi dua bagian, yaitu bagian pembangunan

model dan bagian pengujian. Alur pembangunan

model digambarkan seperti dibawah ini.

Gambar 14. Ilustrasi proses LBP [5]


29


Gambar 16. Flowchart pembangunan Model

Gambar 17. Sistem pengujian [8]

Dataset NUAA Photograph Imposter yang

digunakanan untuk pembangunan model dengan

pengujian dibedakan namun tetap memiliki dua kelas

imposter/palsu dan client/asli. Berikut detail jumlah

dataset yang digunakan.

Tabel 10. Jumlah data gambar yang digunakan

Lebel Gambar Data Train Data Test

Imposter/Spoofing 1081 553

0

Client/NonSpoofing 1631 305

6

Jumlah 2712 858

6

Pada proses input gambar pembangunan model,

dilakukan preprocessing gambar yaitu gambar akan

dipotong pada area wajah saja. Sepeti pada gambar 5.

K

emudi

an dilanjutkan ke tahap konversi ruang warna gambar

RGB ke YCbCr. Setelah didapatkan warna YCbCr

kemudian dilakukan pemisahan per- komponen ruang

warna menjadi Y, Cr dan Cb untuk ekstraksi ciri

menggunakan Local Binary Pattern (LBP) hal ini

dilakukan guna memperoleh informasi tiap ruang

warna. Hasil dari LBP adalah histogram ciri tiap

komponen warna dengan dimensi 1x256. Histogram

warna yang telah didapat kemudian dilakukan

Equalisasi citra guna perbaikan citra dengan

pemerataan histogram dengan distribusi derajat

keabuan yang membuat citra menjadi lebih kontras

seperti gambar 7.

Gambar 19. Hasil citra yang telah diequalisasi

(atas) histogram citra telah terequalisasi (bawah)

Setelah proses tersebut kembali digabung

menjadi 1 warna YCbCr dengan panjang dimensi

1x768 dan disimpan.

Setelah proses pembangunan model,

dilanjutkan ke tahap pengujian. Proses pada tahap

pengujian kurang lebih sama dengan pembagunan

model, hanya saja perbedaannya terdapat klasifikasi

data uji (yang belum tau kelasnya) di klasifikasikan

menggunakan KNN. Tahap pengujian dilakukan 2

skenario. Skenario pengujian 1 menguji parameter

ketetanggan dan radius LBP yaitu LBP8,1 , LBP8,2 ,

dan LBP8,3. Perbedaannya ada pada area jangkauan

ciri yang diambil seperti pada gambar 8 dan skenario

peng

ujian

ke 2

adal

ah

peng

ujian

para

meter K pada KNN.

Gambar 20. Perbedaan radius pada metode LBP

Data akurasi hasil skenario 1 dapat dilihat pada

gambar grafik 9.

Gambar 18. Sampel gambar untuk

pembangunan model [5]


30


Gambar 21. Hasil uji parameter LBP

Paramater pada skenario 1 menggunakan

KNN, K=10. Dapat dilihat pada gambar 9 bahwa

akurasi tertinggi ada pada parameter LBP

ketetanggaan 8, dan radius 1 sebesar 83.76%. Berikut

ini grafik hasil akurasi hasil skenario 2 dapat dilihat

pada gambar grafik 10.

Gambar 22 Hasil uji parameter k pada KN

Dapat dilihat gambar grafik 10, terjadi

peningkatan akurasi pada pendeteksian image

spoofing sebesar 0.44% dari 83.76% ke 84.20%. Hal

tersebut membuktikan bahwa K=15 optimal dalam

meningkatkan akurasi deteksi image spoofing.


Pendeteksian image spoofing menggunakan

analisis warna YCbCr cukup memberikan

performansi yang baik dengan LBP ketetanggan 8

dengan radius 1 sehingga berhasil mendapatkan hasil

sebesar 84.20%. Hal tersebut dikarenakan terdapat

analisis tekstur pada warna luminansi dan kromasi

yang didapat dan LBP (8,1) jangkauannya cukup

kecil sehingga memberikan informasih lebih dekat

dengan ciri aslinya, dan jangkauan yang jauh akan

menyebabkan adanya ciri yang tidak relavan . Selain

itu nilai parameter K pada KNN berpengaruh

terhadap hasil akurasi yang didaptakan yaitu bahwa

nilai K=15 merupakan parameter yang menghasilkan

akurasi tertinggi. Hal ini disebabkan K = 15 cukup

memberikan batas mendekati dengan ciri image

spoof dan nonspoof.

Untuk penelitian lebih lanjut sebaiknya

dilakukan pengujian terhadap metode LBP lain dan

raung warna yang bervariansi, serta dataset untuk

pembuatan model lebih diperbanyak agar sistem yang

dibangun lebih baik.

REFERENSI

[1] Zinelabidine Boulkenafet, J. K. 2015. ”

Face Anti-Spoofing Based On Color Texture

Analysis”. Ohlulu. Finland

[2] J. Maatta, A. Hadid, and M. Pietikainen.

2011. “Face spoofing detection from single

images using micro-texture analysis,”

International Joint Conference on Biometrics

(IJCB), pp. 1–7.

[3] S. Bharadwaj. 2013. "Computationally

Efficient Face Spoofing Detection with

Motion Magnification," CVPR2013.

[4] Erdogmus, Neils. 2013. ”Spoofing in 2D

Face Recognition with 3D Masks and Anti-

spoofing with Kinect”, Idiap Research

Institute.

[5] Parnec.Nuaa, "NUAA Photograph Imposter

Database,"

http://parnec.nuaa.edu.cn/xtan/data/nuaaim

posterdb.html, 2010.

[6] Adikara, P.P. 2014. ”Pencarian Ruang

Warna Kulit Manusia Berdasarkan Nilai

Karakteristik (Λ) Matrik Window Citra” di


31


Jurnal Teknologi Informasi dan Ilmu

Komputer (JTIIK).

[7] Zhao, G, dkk. 2011.“Computer Vision Using

Local Binary Pattern”.Spring.,

[8] Utomo, Endra Budi. 2015. “Pengenalan

Wajah Wanita Berkerudung Menggunakan

Metode 2DPCA dan K-Nearest Neighbor”.

Universitas Dian Nuswantoro.Semarang.

[9] T. Fawcett. 2005. "An introduction to ROC

analysis," elsevier.

[10] I. Chingovska, A. Anjos, and S. Marcel.

2012. “On the effectiveness of local binary

patterns in face anti-spoofing,” in

International Conference of the Biometrics

Special Interest Group (BIOSIG), pp. 1–7.

[11] Marko, 2003. "Colour spaces - perceptual,

historical and applicational background,".

University of Ljubljana.


32


PERKEMBANGAN E-GOVERNMENT INDONESIA: ANALISIS

DAFTAR LAYANAN PUBLIK

Endang Amalia

Fakultas Teknis, Jurusan Sistem Informasi

Universitas Widyatama

Jalan Cikutra No 204A Sukapada Cibeunying Kidul, Bandung, Indonesia

[email protected]

Abstrak

Untuk menganalisis sejauh mana perkembangan E-

Government, salah satu caranya adalah dengan

menganalisis daftar layanan publik yang sudah ada.

Analisis daftar layanan publik ini dibagi menjadi dua

bagian, yaitu analisis daftar layanan publik

perseorangan/individu dan layanan publi kelompok

atau bisnis.

Melalui riset ini, perkembangan E-Government di

Indonesia sudah bagus namun dalam

implementasinya masih ada beberapa layanan publi

yang masih menggunakan cara tradisional. Bila

fasilitas yang diberikan lengkap dan layanan bisa

diakses secara online sepenuhnya, baik pihak

peorangan ataupun bisnis dapat memanfaatkan

fasilitas-fasilitas publik tersebut lebih maksimal lagi.

Kata kunci:

Daftar Layanan Publik, E-Government,

Perkembangan

Abstract

To analyze how far is the e-government work, we can

see it through the list of public services that they

served. This analyze divided into two categories,

services for citizens and services for business.

Through this research, the development of E-

Government in Indonesia is fine but the

implementation as far is still use the traditional way

by some public services. If the facilities provided

complete and accesible onlone service completely,

both parties citizens and business can utilize public

services more maximum way.

Keywords:

List Public Services, E-Government, Development

I. PENDAHULUAN

Perkembangan E-Government di Indonesia

semakin meningkat seiring meningkatnya layanan

masyarakat dan teknologi yang berkembang saat ini.

Mulai dari layanan pemerintah untuk masyarakat

secara umum, perorangan bahkan sampai layanan

pemerintah terhadap sektor swasta yang salah

satunya adalah bisnis.

Dengan adanya e-government ini semua orang

dipaksa untuk menggunakan teknologi yang

perubahannya sangat cepat dan mempengaruhi segala

aspek di kehidupan sehari-hari. Teknologi internet

yang sudah merupakan bagian dari kegiatan sehari-

hari harus dimanfaatkan secara maksimal. Hal ini

bisa dimanfaatkan pemerintah untuk mulai

mengadopsi e-government sebagai tiang utama dalam

pelayanan publik.

Terlihat dari berbagai aktifitas yang dilakukan

masyarakat Indonesia, kini layanan pemerintah mulai

menggunakan e-government. Mulai dari pengurusan

pembuatan paspor, pelaporan pajak, website-website

pemerintahan terutama website-website kementrian

dan masih banyak lagi. Aktifitas-aktifitas inilah yang

memaksa masyarakat Indonesia untuk menggunakan

layanan publik berbasis e-government sekaligus

memaksa pemerintah untuk terus memperbaiki

layanan publik yang lebih baik lagi.

Layanan publik di dalam e-government ini

dibagi menjadi dua komponen besar yaitu layanan

publik terhadap masyarakat luas sebagai pengguna e-

government dan layanan publik terhadap sector

bisnis.

II. METODE PENELITIAN

Pertama, penulis dari paper ini akan mencari

komponen penting e-government dalam analisis

pelayanan publik dengan menggunakan google dan

menemukan daftar layanan publik untuk e-

government yang dijelaskan sebagai berikut[4][5]:


33


Tabel 1. Daftar Layanan Publik

Services for the Citizens Services for

Businesses

1. Income taxes

2.Job search

3. Social security benefits

4. Personal documents

5. Vehicle registration

6. Application for building

permission

7. Declaration to the police

8. Public libraries

9. Birth and marriage certificates

10. Enrolment in higher

education

11. Announcement of moving

12. Health-related services

13. Property Evaluation and

Registration

1. Social contribution for

employees

2. Corporate tax

3. VAT

4. Registration of a new

company

5. Submission of statistical

data

6. Customs declarations 7. Environment-related

permits

8. Public Procurement

Kedua, penulis dari paper ini fokus terhadap

dua daftar layanan publik diatas. Konsep ini dipilih

karena konsep ini memiliki komponen yang lengkap

untuk penelitian paper ini.

Ketiga, penulis dari paper ini mereview

beberapa abstrak dan menemukan metodologi dan

metode-metode yang digunakan oleh penulis-penulis

lainnya, konferensi-konferensi paper dan sumber-

sumber lainnya. Sebagian paper-paper memiliki

metodologi dan metode-metode yang jelas yang

dipresentasikan pada abstraksi namun sebagian lagi

tidak. Paper-paper yang memiliki kejelasan

metodologi dan metode-metode inilah yang

digunakan sebagai riset studi untuk kasus.

Kemudian, tahap berikutnya adalah

mengumpulkan istilah-istilah yang relevan untuk

pilosofi riset, metodologi dan metode dari paper-

paper hasil seleksi pada tahap sebelumnya.

Tahap keempat adalah istilah-istilah yang

didapat dari tahap sebelumnya dikategorikan sebagai

komponen penting riset untuk dianalisi dalam riset ini

dan terakhir adalah mengambil kesimpulan dari

keseluruhan riset yang sudah dilaksanakan.


Pada bab ini penulis menjabarkan klasifikasi

dari riset dan menganalisis area-area yang sudah

ditentukan pada tahap sebelumnya. Pengumpulan

data diklasifikasikan kedalam riset paradigma,

pendekatan riset, metodologi riset, metode riset dan

terakhir adalah kesimpulan.

Data yang dianalisis berdasarkan dua

kelompok konsep dibawah ini [1][2][3][5]:

a. Daftar Layanan untuk Masyarakat:

1. Income taxes

Income taxes adalah pajak penghasilan

atau sering dikenal dengan PPh

merupakan panjak yang dibebankan

pada penghasilan seseorang. Layanan

pemerintah untuk pajak penghasilan

salah satunya adalah e-filling yang

dikeluarkan oleh Direktorat Jenderal

Pajak. E-filling adalah layanan

pemerintah untuk penyampaian

pelaporan SPT (Surat Pemberitahuan)

secara online dan real time melalui

website Direktorat jenderal Pajak. Bagi

setiap masyarakat yang sudah memiliki

penghasilan wajib melaporkan e-SPT

tanpa harus datang ke kantor pajak,

cukup melalui website e-filling yang

bisa diakses melalui

www.pajak.go.id/e-filling.

2. Job search

Job search adalah suatu layanan

pemerintah secara elektronik untuk

memfasilitasi masyarakat yang sedang

mencari pekerjaan. Bursa kerja online

memang sangat banyak di Indonesia

salahsatunya adalah

www.jobstreet.co.id. Dari website yang

terpercaya sampai website yang hanya

sekedar mencantukan lowongan

pekerjaan namun informasi yang

ditampilkan kurang jelas. Bursa kerja

online resmi dari pemerintah saat ini

belum ada dikarenakan harus

direncanakan matang-matang bagi

pencari kerja dan penyedia kerja serta

spesifikasi yang dibutuhkan dan yang

ditampilkan di website.

3. Social security benefits

Social security benefits layanan

pemerintah berupa jaminan sosial atau

disebut sebagai Badan Penyelenggara

jaminan Sosial (BPJS) yang terbit 31

Desember 2013. Jaminan sosial lainnya


34


dari pemerintah yaitu

JaminanKesehatan nasional (JKN) yang

sistemnnya seperti asuransi kesehatan.

Kedua layanan ini dapat digunakan

masyarakat untuk berobat, imunisasi

dan sejenisnya seperti halnya asuransi

kesehatan.

4. Personal documents

Personal documentadalah arsip yang

berisi tentang data-data kependudukan

atau dikenal dengan e-KTP (elektronik

Kartu Tanda Penduduk). E-KTP

diluncurkan sejak tahun 2010. Dengan

adanya e-KTP ini penduduk hanya

diperbolehkan memiliki satu nomor

KTP saja sehingga data redudansi

penduduk bisa terhindar.

5. Vehicle registration

Vehicle registrasion atau dikenal

dengan STNK (Surat Tanda Nomor

Kendaraan) adalah layanan pemerintah

secara online mengenai pendaftaran

kendaraan. Pemerintah Indonesia belum

memiliki layanan online untuk fasilitas

ini, namun pemerintah Indonesia sudah

memiliki layanan e-SIM (elektronik

Surat Ijin Mengemudi) namun hanya

untuk pendaftarannya saja, sisanya

harus datang ke kantor polisi.

6. Application for building permission

Application for building permision

adalah layanan pemrintah untuk

memfasilitasi masyarakat indonesia

dalam hal Ijin Mendirikan Bangunan

(IBM) secara online. Fasilitas ini

sedang dalam proses yang nantinya

website ini akan terhubung dengan

instansi-instansi lain seperti Dinas dan

Suku Dinas PBB hingga tingkat yang

paling rendah.

7. Declaration to the police

Declaration to the police adalah surat

deklarasi yang disubmit secara online

ke kepolisian baik laporan kejahatan,

penipuan, pengaduan dan sejenisnya.

Laporan ini bisa masyarakat submit

melalui website: https://lapor.go.id.

8. Public libraries

Public libraries adalah perpustakaan

umum yang dimiliki oleh setiap kota-

kota di Indonesia untuk digunakan oleh

masyarakat luas. Setiap perpustakaan

dikelola oleh badan KORPRI Unit

Badan Perpustakaan dan kearsipan

daerah masing-masingyang mana setiap

pengunjung yang ingin menggunakan

layanan perpustakaan ini harus

mendaftarkan diri terlebih dahulu untuk

menjadi anggota.

9. Birth and marriage certificates

Birth and marriage certificates adalah

fasilitas yang diberikan pemerintah

untuk pembuatan akta untuk kelahiran

dan pernikahan secara online. Di

Indonesia setiap, kota/kabupaten

memiliki website ini untuk pembuatan

akta lahir dan nikah namun belum

sepenuhnya terlaksana.

10. Enrolment in higher education

Enrolment in higher education adalah


terkait pendaftaran di perguruan tinggi.

Perguruan tinggi di Indonesia ada

perguruan tinggi negeri yang

dilaksanakan dengan jalur SNMPTN

dan jalur SBMPTN, pihak yang

menyelenggarakan langusng oleh

pemeirntah melalui panitia seleksi

nasional yang pendaftarannya dilakukan

secara online namun untuk tesnya masih

tradisional yaitu test dengan

menggunakan papersheet di ruang

kelas, kemudian yang kedua adalah

perguruan tinggi kedinasan yang

diselenggarakan oleh kementrian

ataupun non kementrian, hal yang sama

terjadi di ujian seleksi masuk ke

perguruan tinggi ini yaitu pendaftaran

bisa online namun tes dilakukan di

ruang kelas oleh peserta yang sudah

terdaftar, yang terakhir adalah

perguruan tinggi swasta, ujian saringan

untuk masuk ke perguruan tinggi swasta

ini diselenggarakan oleh perguruan

tinggi tersebut masing-masing dengan

pendaftaran bisa online dan test ujian


35


masuk dilakukan di ruang kelas dengan

jadwal dan tempat yang sudah

ditentukan sebelumnya.

11. Announcement of moving

Announcement of moving adalah

layanan pemerintah untuk memfasilitasi

penduduk yang pindah domisili. Untuk

pengurusan pindah domisi online E-

KTP tidak bisa online.

12. Health-related services

Health-related services adalah fasilitas

yang diberikan pemerintah dalam

layanan yang terkait dengan kesehatan

selain asuransi pada poin 3 diatas.

Fasilitas ini lebih ke rekam medis

online yang terintegrasi antar

puskesmas, klinik dan rumah sakit dna

segala pelayanan yang ada di dalamnya.

Di Indonesia, layanan ini sedang

dikembangkan. Data rekam medis saat

ini masih merupakan otoritas setiap

rumah sakit, puskesmas atau klinik.

Belum tersentralisasi.

13. Property Evaluation and Registration

Property evaluation and registration

adalah layanan pemerintah berbasis

online untuk pendaftaran dan evaluasi

properti seperti rumah, tanah,

apartemen dan gedung-gedung properti

lainnya. Di Indonesia layanan ini

sedang dikembangkan

b. Daftar layanan untuk bisnis:

1. Social contribution for employees

Social contribution for employees

adalah layanan pemerintah untuk

kelompok atau bisnis berupa kontribusi

sosial untuk pegawai kelompok atau

bisnis tersebut secara elektronik.

tanggungjawab perusahaan terhadap

karyawan meliputi aspek ekonomi,

sosial dan lingkungan. Namun

pelayanan pemerintah secara elektronik

untuk memfasilitasi hal ini belum ada,

masih dalam tahap proses.

2. Corporate tax

Corporate tax untuk perusahaan sama

dengan perorangan menggunakan E-

Filling untuk pelaporan SPT dan E-

Billing untuk pembayaran pajak per

bulan.

3. VAT

VAT (Value Added Tax) adalah pajak

pertambahan nilai yang harus

dilaporkan ke pemerintah. Di Indonesia

layanan ini masih dalam tahap

pengembangan.

4. Registration of a new company

Registration of a new company adalah

layanan pemerintah yang bersifat online

untuk registrasi perusahaan baru.

Dikelola oleh dinas perindustrian dan

perdagangan di masing-masing kota.

registrasi bisa dilakukan online namun

untuk pendaftaran sepenuhnya harus

datang ke masing-masing Dinas

Perindustrian dan Perdagangan untuk

ditindaklanjuti.

5. Submission of statistical data

Submission of statistical data adalah


dalam hal penyampaian data statistik

yang dikelola oleh Badan Pusat

Statistik. Di website BPS

www.bps.go.id hanya menampilkan

informasi angka statistik, mulai dari

jumlah penduduk Indonesia per tahun,

Penerimaan PNBP (Penerimaan Negara

Bukan pajak), Survei kepuasan

konsumen per tahun dan permintaan

data lainnya.

6. Customs declarations

Customs declarations adalah layanan

pemerintah berupa deklarasi bea cukai

yang dilakukan oleh Direktorat jenderal

Bea dan Cukai dalam rangka

mengakomodir praktik-praktik bisnis

internasional dimana beberapa

komponen pembentuk harga barang

untuk penghitungan bea masuknya

belum dapat diketahui besaran nilainya

secara pasti pada saat penyampaian


36


dokumen. Fasilitas ini belum bisa

diakses secara online, masih dalam

tahap pengembangan.

7. Environment-related permits

Environment-related permits dalah

fasilitas pemerintah dalam hal ijin

terkait lingkungan yang dikelola oleh

Dinas Lingkungan Hidup daerah

masing-masing. Fasilitas ini belum bisa

diakses secara online, masih dalam

tahap pengembangan.

8. Public Procurement

Public Procurement adalah fasilitas

pemerintah dalam hal pengadaan publik

berupa barang dan jasa Layanan

Pengadaan Secara Elektronik (LPSE).

Apabila sebuah pemerintahan minimal sudah

memiliki daftar layanan publik seperti diatas, maka

layanan e-government negara tersebut sudah semakin

baik dalam pemenuhan layanan publik baik untuk

masyarakat maupun untuk bisnis. Lebih lengkap akan

lebih bagus.

Namun untuk Indonesia, seperti yang dijelaskan

setiap fasilitas layanan publik masih ada yang

setengah sudah online setengah tradisional, yang

artinya baik masyarakat maupun pelaku bisnis masih

harus datang ke tempat dimana pemerintah bisa

melayani kebutuhan masyarakat secara manual untuk

mendapatkan pelayanan publik secara menyeluruh.


Dasar pengembangan e-government dimulai

dari daftar layanan publik yang disediakan pemeintah

Indonesia. Dari analisis riset yang dilakukan diatas,

layanan publik e-government di Indonesia sudah

bagus. Dua komponen layanan publik, yaitu layanan

publik perorangan dan layanan publik bisnis sudah

lengkap. Namun yang menjadi fokus untuk

mengembangakn e-government yang lebih efektif

dan efisien lagi adalah dalam hal fasilitas dan

layanan. Bila fasilitas yang diberikan lengkap dan

layanan bisa diakses secara online sepenuhnya, baik

pihak peorrangan ataupun bisnis dapat memanfaatkan

fasilitas-fasilitas publik tersebut lebih maksimal lagi.

REFERENSI

[1]. Direktorat Jenderal Pajak www.pajak.go.id/e-

billing diakses Februari 2017

[2]. Direktorat Jenderal Pajak www.pajak.go.id/e-

filling diakses Februari 2017

[3]. Kepolisian Republik Indonesia https://lapor.go.id

diakses Februari 2017

[4]. Ridley, G (2008) IT governance to improve e-

governance. In: E-gov pre-ECIS workshop, 8th

June 2008, Galway Ireland

[5]. Srinivasan and Iyyakutti (2014) Different

Methodologies and Methods of E-Governance

Using Open Source Technology: Reseach Gate

2014, Berlin German

[6].


37


SMART TOUR GUIDE “ANGKOT”

Azizah Zakiah, Arief Yulianto

Fakultas Teknik, Jurusan Teknik Informatika

Universitas Widyatama

Jalan Cikutra No 204 A, Bandung, Indonesia

[email protected], [email protected]

Abstrak

Bandung merupakan kota yang memiliki jalur

lalu lintas angkotan kota yang tidak sedikit. Dengan

berbagai jenis angkot yang berbeda, dan jalur trayek

yang jauh. Masyarakat terutama pendatang baru

kadang merasa sulit untuk mencari angkutan kota

yang dapat mengantarkan jalurnya. Banyak informasi

yang ada di internet, namun tidak begitu akurat.

Berbagai pengalaman dan survey, ketika naik jalur

angkot khususnya sebagai pendatang baru, sulit untuk

mengetahui dimana keberadaan kita, sehingga banyak

pendatang baru yang kebingungan dan nyasar ketika

menggunakan angkutan kota di bandung. Dengan

adanya teknologi maps, geofence, dan geolocation

yang disediakan oleh BING Maps pada platform

Windows Phone dalam bentuk API dan software

pendukungnya yaitu Microsoft Visual Studio 2013

serta SDK Windows Phone. Hal ini merupakan

keuntungan bagi pengembang, karena pengembang

dapat mengembangkan fitur teknologi tersebut untuk

mendukung program smartcity Bandung.

Kata kunci : Angkot, Maps, Geofence,

Geolocation, Bandung, Jalur Trayek, Windows Phone

Abstract

Bandung is a city that has a traffic lane of

public transportation . With a variety of different

types of public transportation , and lane stretch that

far. People especially newcomers sometimes find it

difficult to find public transportation that can deliver

its tracks . A lot of information available on the

internet , but not very accurate . Various experiences

and surveys , when riding public transportation lines ,

especially as a newcomer , it is difficult to know

where our existence , so many newcomers are

confused and stray when using public transportation

in Bandung . With the technology maps, geofence and

geolocation are provided by Bing Maps on Windows

Phone platform in the form of APIs and supporting

software is Microsoft Visual Studio 2013 and the

Windows Phone SDK . This is an advantage for the

developer , since the developer can develop the

technology features to support SmartCity program.

Keywords :

public transportation, Maps, Geofence,

Geolocatio , Bandung, Tracing Route, Windows

Phone

I. PENDAHULUAN

Mobile Aplication merupakan perangkat lunak

yang banyak digunakan oleh masyarakat kini.

Pengguna smartphone di Indonesia terus meningkat.

Bahkan, sebuah lembaga riset menyebutkan bahwa

Tanah Air berada di peringkat kelima dalam daftar

pengguna smartphone terbesar di dunia[4]. Hal ini

membuktikan bahwa masyarakat Indonesia butuh

akan penggunaan smartphone.

Bandung merupakan kota yang memiliki jalur lalu

lintas angkotan kota yang tidak sedikit. Dengan

berbagai jenis angkot yang berbeda, dan jalur trayek

yang jauh. Masyarakat terutama pendatang baru

kadang merasa sulit untuk mencari angkutan kota

yang dapat mengantarkan jalurnya. Banyak informasi

yang ada di internet, namun tidak begitu akurat.

Berbagai pengalaman dan survey, ketika naik jalur

angkot khususnya sebagai pendatang baru, sulit untuk

mengetahui dimana keberadaan kita, sehingga banyak

pendatang baru yang kebingungan dan nyasar ketika

menggunakan angkutan kota di bandung.

Adapun aplikasi yang telah bekembang seputar

tracking jalur angkot bandung yakni seperti Angkot

Bandung pada aplikasi android oleh GITS Indonesia,

lalu angkot.tibandung.com berbasis web oleh

TiBandung. Namun pada platform Windows Phone,

belum ada pengembang yang mengembangkan

informasi jalur angkot kota Bandung.

Dengan adanya teknologi maps, geofence, dan

geolocation yang disediakan oleh BING Maps pada

platform Windows Phone dalam bentuk API dan

software pendukungnya yaitu Microsoft Visual

Studio 2013 serta SDK Windows Phone. Hal ini

merupakan keuntungan bagi pengembang, karena



http://angkot.tibandung.com/


38


pengembang dapat mengembangkan fitur teknologi

tersebut untuk mendukung program smartcity

Bandung.

Penulis tertarik membuat aplikasi tentang seputar

informasi jalur trayek angkot di kota bandung

menggunakan kolaburasi teknologi maps, geofence,

dan geolocation berbasis Windows Phone, dengan

dibuatnya aplikasi tersebut, penulis berharap dapat

membantu dan mempermudah masyarakat khususnya

pendatang baru untuk mengakses informasi jalur

trayek angkotan kota di Bandung melalui smartphone

Windows Phone nya.

1.1 Identifikasi Masalah

Berdasarkan latar belakang di atas dapat

dirumuskan beberapa masalah antara lain :

1. begitu banyaknya jenis angkot di kota

bandung, banyak masyarakat masih belum

mengetahui jalur angkot kota Bandung

khususnya pendatang baru;

2. beberapa informasi jalur angkot melalui web

internet tidak detail dan tidak akurat;

3. belum ada pengembang yang mengembangkan

tracking jalur angkot di kota Bandung berbasis

platform Windows Phone.

1.2 Tujuan

Adapun tujuan perancangan penulis membuat

aplikasi ini :

1. mengembangkan informasi jalur angkot di

kota bandung;

2. memberikan akurasi informasi jalur angkot di

kota bandung;

3. mengembangkan teknologi maps, geofence,

dan geolocation berbasis Windows Phone

untuk tracking jalur angkot di kota Bandung.

1.3 Ruang Lingkup

Agar permasalahan yang di bahas lebih terfokus

dan tidak melebar, penulis membatasi permasalahan

yang akan di bahas. Adapun beberapa hal yang akan

di bahas dan dijabarkan yaitu;

1. mengembangkan aplikasi seputar informasi

jalur angkot di kota Bandung;

2. platform aplikasi berbasis mobile Windows

Phone;

3. mengembangkan kolaburasi teknologi maps,

geofence, dan geolocation pada Windows

Phone;

4. jalur angkot yang dipilih sebagai sampel

berdasarkan 4 trayek terbanyak hasil survey

yang dilakukan oleh penulis melalui online

survey (google form).

Sebagai berikut:

- angkot ST Hall – Sarijadi;

- angkot Dago – ST Hall;

- angkot Sederhana – Cimindi;

- angkot Cimahi – ST Hall.

Aplikasi bersifat online menggunakan Bing

Maps.

II. KAJIAN LITERATURE

2.1 Mobile Application

Aplikasi mobile merupakan sebuah aplikasi

yang memungkinkan anda melakukan mobilitas

dengan menggunakan perlengkapan telepon seluler,

atau smartphone. Dengan menggunakan aplikasi

mobile, anda dapat melakukan berbagai macam

aktifitas mulai dari hiburan, berjualan, akses

informasi, mengerjakan pekerjaan dan lain

sebagainya.

Aplikasi mobile menurut kamus Oxford yakni

"Program mandiri atau bagian dari perangkat lunak

yang dirancang untuk memenuhi tujuan tertentu;

aplikasi , terutama karena download oleh pengguna

untuk perangkat mobile[3].”

Biasanya jenis aplikasi terkait pada beberapa

platform yaitu:

a. Windows Phone dan Windows 8.

b. Iphone dan Ipad.

c. Android dan tablet.

Laporan Bussiness Insider yang diakses melalui

laman BusinessInsider.com pada tanggal 10 Juli

2015 mengatakan penggunaan mobile meningkat

tajam[4]. Konsumen menghabiskan banyak waktu di

ponsel. Bahkan, sebuah lembaga riset yang dilansir

detik pada 10 juli 2015 menyebutkan bahwa

Indonesia berada di peringkat kelima dalam daftar

pengguna smartphone terbesar di dunia[4]. Hal ini

membuktikan bahwa masyarakat Indonesia butuh

akan penggunaan smartphone.

2.2 Angkot Bandung

Bandung adalah Ibu Kota Propinsi Jawa Barat

dan merupakan salah satu kota terbesar di Indonesia.

Sarana transportasi umum yang ada di kota bandung

menjadi salah satu prioritas pemerintah untuk

mengatasi minat masyarakat untuk menggunakan

kendaraan umum di setiap aktivitasnya agar

mengurangi angka kemacetan. Transportasi umum di

Bandung terdapat angkutan umum atau biasa disebut

angkot.

http://bussinessinsider.com/


39


Gambar 2.1 Angkot kota Bandung[11]

Angkutan kota (Angkot) merupakan salah satu

program transportasi massal yang memiliki masalah

klasik di bandung. Beberapa masalah yang

teridentifikasi pada angkutan kota sekarang ini adalah

tarif angkutan kota yang tidak konsisten, waktu

tempuh angkot yang sulit diprediksi, pemberhentian

angkot yang seenaknya, dan terkadang trayek angkot

tidak sesuai rute resmi. Menurut persentase Dishub

Bandung yang di publish ulang oleh KamanaweID

pada April 2015 “Angkot digunakan oleh 13,5% dari

total 2,5 juta penduduk kota Bandung”[10].

Kemacetan dan permasalahan tersebut membuat

masyarakat enggan menggunakan angkot. Penduduk

kota yang semakin banyak, dan jumlah Kendaraan

pribadi lebih banyak dari pada kendaraan umum.

2.3 Windows Phone 8.1

Windows Phone merupakan sistem operasi

mobile yang dikembangkan oleh Microsoft. Gambar

dibawah menjelaskan bahasa yang digunakan untuk

mengembangkan Windows Phone.

Gambar 2.2 Native App Development pada Windows

Phone 8.1[5]

2.3.1 Windows Phone Lifecycle

Aplikasi mobile memiliki siklus yang berbeda

dengan aplikasi desktop. Pada aplikasi mobile

siklusnya meliputi launching, running, activating,

deadactivated dan closing. Hal ini terjadi karena

spseifikasi aplikasi mobile tidak sebesar aplikasi yang

dijalankan pada desktop. Pada Windows Phone

Lifecycle gambaran siklusnya digambarkan seperti

pada gambar dibawah

. Gambar 2.3 Windows Phone Lifecycle[1]

Ketika aplikasi dijalankan, aplikasi dapat

diberhentikan setiap saat. Contoh ketika pengguna

dapat menekan tombol HOME atau melakukan hal

lain untuk membuka aplikasi lain. Dalam hal

ini, aplikasi yang akan berhenti sejenak state itu

di simpan dalam memori RAM.

Gambar 2.4 Windows Developer Platform in 8.1[1]

2.4 Teknologi Maps, Geofence dan Geolocation

Teknologi Maps, Geofence dan Geolocation

merupakan fitur yang ada pada Windows Phone

dengan menggunakan GPS sebagai fitur utama. Hal

ini sangat menguntungkan untuk developer

mengembangkan dan mengeksplor experience untuk

membangun seuah aplikasi berbasis Windows Phone.

Geofencing memungkinkan sebuah aplikasi untuk

menentukan wilayah geografis dan memiliki sistem

peringatan app bila perangkat itu berjalan pada masuk

atau keluar daerah itu.

https://wirasetiawan29.files.wordpress.com/2015/01/windows-phone-lifecycle.jpg


40


Gambar 2.5 Maps dan Geofencing[9]

Maps dan Geofencing merupakan fitur untuk

mendeteksi lokasi dalam suatu radius tertentu. Lalu

kemudian akan dikirimkan signal notifikasi untuk

mendeteksi gps terbaca oleh ruang lingkup yang

ditentukan.


3.1 Analisis Sistem

Visual Studio 2013 Update 4 menyediakan

SDK Windows Phone untuk mendukung para

developer mengembangkan aplikasi Windows Phone.

Maps, geofence dan geolocation merupakan fitur

yang sangat bermanfaat untuk mengembangkan

aplikasi berbasis mapping atau tracking.

Rancang bangun SI-MANGKOT merupakan

hasil pengembangan sistem informasi angkot yang

sudah ada sebelumya seperti, Angkot tiBandung, Kiri,

Angkot Bandung. Dengan menggunakan teknologi

maps, geofence, dan geolocation menjadi peluang

bagi pengembang untuk mengembangkan aplikasi

pada platform Windows Phone dengan studi kasus

jalur angkot di kota Bandung.

Aplikasi ini dibuat berbasis Windows Phone

dengan Software Visual Studio 2013 Update 4

termasuk SDK Windows Phone. Untuk membuat

laporan aplikasi rancang bangun SI-MANGKOT

berbasis Windows Phone dengan menggunakan

teknologi maps, geofence, dan geolocation, Star UML

sebagai software yang digunakan untuk menganalisis

sistem aplikasi ini dan bahasa pemerograman C#.

3.1.1 Analisis Sistem Berjalan

Untuk menganalisa perancangan suatu sistem,

maka diperlukan analisis prosedur yang sedang

berjalan. Tujuannya adalah untuk mengetahui

bagaimana system yang sedang berjalan.

Gambar 3.1 Prosedur Menggunakan Angkot

Gambar diatas menjelaskan bagaimana

prosedur penggunaan angkot yang sedang berjalan

saat ini. Dari pengguna mulai menentukan tujuan,

kemudian mencari angkot hingga mendapatkan

angkot yang dituju. Supir angkot mencari

penumpang dengan cara mempromosikan angkotnya

sambil berteriak jurusan yang dituju. Setelah

mendapatkan angkot yang tepat, pengguna naik

angkot dan diantar oleh supir angkot ke tujuan

melalui rute angkot yang sudah ditentukan. Ketika

sudah sampai, penumpang turun dan membayar

ongkos.

3.1.2 Analisis Sistem Yang Akan Dibangun

Analisis sistem yang akan dibangun

menjelaskan bagaimana sistem yang akan dibuat

secara rinci. Prosedur yang akan dibangun dijelaskan

secara rinci pada flowmap dibawah.


41


Gambar 3.2 Prosedure Sistem Yang Akan

Dibangun Phase A

Gambar 3.3 Prosedure Sistem Yang Akan

Dibangun Phase B

3.1.3 Use Case Diagram

Usecase menjelaskan penggambaran aplikasi yang

akan dibuat secara detail dengan menggunakan

Universal Modelling Language (UML) yang

menggambarkan perancangan secara

universal.

Gambar 3.4 Use Case Diagram Aplikasi

IV. IMPLEMENTASI DAN PENGUJIAN

4.1 Lingkungan Implementasi

Lingkungan implementasi dan pengujian pada

Rancang Bangun Aplikasi SIMANGKOT Bandung

Menggunakan Kolaburasi Teknologi Maps,

Geolocation Dan Geofence dilakukan pada computer

dengan spesifikasi sebagai berikut :

1) Perangkat Keras

Kebutuhan analisis perangkat keras yang kami

gunakan untuk membangun aplikasi ini adalah

komputer atau Laptop dengan spesifikasi :

a. Processor Intel(R) Core i3-3120 CPU

@2.50GHz;

b. Memory 8.00 RAM;

c. Monitor resolusi 1366 x 768 (64 bit) (50Hz).

2) Perangkat Lunak

Sebagai perangkat lunak yang kami gunakan

untuk Rancang Bangun Aplikasi SIMANGKOT

Bandung Menggunakan Kolaburasi Teknologi Maps,

Geolocation Dan Geofence ini antaranya :

a. Windows 8 64-bit (6.1, Build 7600);

b. Visual Studio 2013 Update 4

c. SDK Windows Phone 8.0;

d. Bahasa pemrograman yang digunakan adalah

C# dan XAML;

e. API Bing Maps, Geofence dan Geolocation.

Metode Pengujian menggunakan device yang

memiliki spesifikasi sebagai berikut:

a. Device Lumia 620

b.OS Windows Phone 8.0

c. RAM 512 MB

d.Require GPS

1.1 Pembahasan Hasil Implementasi

Tampilan SplashScreen Aplikasi

SIMANGKOT

Gambar 4.1 Tampilan SplashScreen

Keterangan:

Setelah aplikasi terinstall di windows phone

8.0 saat membuka aplikasi SIMANGKOT maka akan

muncul tampilan pertama yaitu tampilan

splashscreen. Tunggu hingga aplikasi selesai

menginisialisasi sistem.

Prosedur Sistem Yang Akan Dibangun

Windows Phone StoreUser System

Phas

e B

A

Selesai

PilihAbout ?

PilihRate & Review ?

Tidak

Exit

Tidak

Tampil About

Tampil Rate & Review

Kirim Rate & Review

SIMANGKOT

A

A

Tampil Map Trayek Angkot

If Point GPS = Point Latitude & Longitude

(Rad 100 m)

Tampil Nama Jalan

Pilih Trayek Angkot ?

Ya

Tidak

Tidak

Ya

A

Tampil Nama Jalan



42


Tampilan MainPage Aplikasi

SIMANGKOT

Gambar di bawah merupakan hasil implementasi

aplikasi Simangkot Bandung bagian Menu Utama.

Gambar 4.2 Tampilan Menu MainPage

Aplikasi

Tampilan Maps Rute Angkot

Gambar di bawah merupakan hasil implementasi

aplikasi Simangkot Bandung bagian maps view

angkot.

Gambar 4.3 Tampilan Maps Rute Angkot

Di MainPage klik angkot Dago – Sta.Hall untuk

menampilkan rute maps trayek angkot Dago – stasiun

bandung.

Klik di appbar tombol get location.

Tombol ini berfungsi untuk menampilkan

lokasi pengguna secara realtime, lokasi

pengguna digambarkan lingkaran berwarna hijau

pada layer map.

Klik tombol +

Tombol ini berfungsi untuk melakukan

zoom in pada peta rute angkot.

Klik tombol –

Tombol ini berfungsi untuk melakukan

zoom out pada peta rute angkot.

Klik di App Bar Show Location

Menu ini berfungsi untuk menampilkan

point utama terminal hulu dan hilir.

Klik di App Bar Hide Location

Menu ini berfungsi untuk menyembunyikan

point utama terminal hulu – hilir.

V. KESIMPULAN DAN SARAN

5.1 Kesimpulan

Kesimpulan yang dapat diambil dari Rancang

Bangun Aplikasi SIMANGKOT Bandung

Menggunakan Kolaburasi Teknologi Maps,

Geolocation Dan Geofence adalah sebagai berikut;

1. Teknologi Bing Maps, Geofence dan

Geolocation dari Microsoft dapat digunakan

untuk mengembangkan aplikasi yang bisa

membantu masyarakat pengembang (Developer)

untuk program smartcity di kota Bandung.

2. Aplikasi SIMANGKOT Bandung menyediakan

informasi rute jalur angkot di sekitar kota

bandung menggunakan Maps Geolocation dan

Geofence. Teknologi ini memanfaatkan lokasi

GPS dan rute jalur angkot yang digambar secara

polyline menggunakan geocordinate di layer

Bing Maps.

3. Aplikasi SIMANGKOT Bandung memberikan

kemudahan untuk masyarakat yang masih awam

dengan informasi seputar transportasi umum di

kota Bandung khususnya angkot sekitar kota

Bandung.

5.2 Saran

Saran yang dapat diberikan berdasarkan hasil

yang telah dicapai maupun untuk pengembangan

aplikasi pada masa yang akan datang, antara lain :

1. Aplikasi ini masih menggunakan 4 sampel rute

jalur angkot, diharapkan pembaca dapat

mengembangkan aplikasi SIMANGKOT

Bandung.

2. Fitur SIMANGKOT Bandung dapat ditambah

dengan fitur pencarian awal dan akhir sebagai

pencarian jalur angkot terdekat.

Saran dan kesan harap kirimkan ke pengembang

melalui install aplikasi SIMANGKOT Bandung for

Windows Phone di url http://bit.ly/wp8-simangkot

lalu beri rate dan review aplikasi SIMANGKOT

Bandung.

http://bit.ly/wp8-simangkot


43


REFERENSI

[

1]

R. T. Andy Wigley, M5: Windows Phone 8

Application Lifecycle, Seattle: Microsoft Corporation,

2012.

[

2]

Irwanto, "Sistem Teknologi Informasi," in Sistem

Teknologi Informasi, Yogyakarata, Andi Offset, 2006,

p. 48.

[

3]

Oxford University Press, "Definition of app in

English," 20 Juni 2015. [Online]. Available:

http://www.oxforddictionaries.com/definition/english/a

pp.

[

4]

T. Heriyanto, "Indonesia Masuk 5 Besar Negara

Pengguna Smartphone," in Detik Inet, Jakarta, 2015.

[

5]

L. McCarthy, "Introduction to mobile app

development," in Microsoft Virtual Academy, Seattle,

2014.

[

6]

E. Brinks, "Mobile App Development Life

Cycle," Cubix Labs. Inc., 16 Juni 2012. [Online].

Available: http://www.socialcubix.com/blog/mobile-

app-development-life-cycle. [Accessed 20 Juni 2015].

[

7]

W. Setiawan, "Geolocation di Windows Phone,"

15 April 2015. [Online]. Available:

https://wirasetiawan29.wordpress.com/2015/04/24/geo

location-di-windows-phone/. [Accessed 20 Juni 2012].

[

8]

Microsoft, "Introduction to the Geolocation API,"

Microsoft Developer Network, 1 January 2012.

[Online]. Available: https://msdn.microsoft.com/en-

us/library/ie/gg589513%28v=vs.85%29.aspx.

[Accessed 20 Juni 2015].

[

9]

M. Shapiro and A. Wigley, "Maps, Geolocation

and Geofencing," Building Apps for Windows Phone

8.1 Jump Start, pp. 2-35, 30 April 2014.

[

10]

Bonaditya, "Daftar Angkutan Umum Di Kota

Bandung," Infobdg, 17 Maret 2015. [Online].

Available: http://www.infobdg.com/v2/info-

kota/transportasi/trayek-angkot-bandung/. [Accessed

20 Juni 2015].

[

11]

Trifa News, "Rute Angkot Bandung," 26 Maret

2011. [Online]. Available: http://trifanews.com/rute-

angkot-bandung.html. [Accessed 27 Juni 2015].

[

12]

A. Nugroho, Rekayasa Perangkat Lunak

Menggunakan UML dan Java, Bandung: Andy, 2005.

[

13]

TIM Proyek 2, Pedoman Proyek 2 Teknik

Informatika DIII, Bandung: Politeknik Pos Indonesia,

Teknik Informatika, 2014.

[ A. Rouf, "Pengujian Perangkat Lunak Dengan

14] Menggunakan Metode White Box Dan Black Box,"

Sistem Informasi – STMIK HIMSYA Semarang, pp. 3-

5, 2012.


44


DIGITAL REMINDER CUSTOMER PAYMENT

Hari Supriyadi

Fakultas Teknik, Program Studi Sistem Informasi Universitas Widyatama Bandung

[email protected]

Abstrak

Pada saat ini perkembangan teknologi

membawa dampak yang sangat besar terhadap

kehidupan sehari-hari termasuk pada Toko XYZ.

Toko XYZ adalah sebuah perusahaan dagang

yang bergerak di bidang fashion. Saat ini Toko

XYZ belum memanfaatkan teknologi yang

mampu memberikan pelayanan kepada

pelanggan, khusunya dalam memberikan

informasi produk-produk fashion, dan dalam

mengingatkan para pelanggan dalam hal jatuh

tempo pembayaran. Akibatnya para pelanggan

Toko XYZ yang berada di luar kota dan luar

pulau jawa sering ketinggalan informasi produk-

produk baru yang dimiliki oleh toko, dan pihak

toko sering lupa dalam mengingatkan para

pelanggannya dalam hal jatuh tempo

pembayaran.

Pada Penelitian ini, peneliti mecoba

mengimplementasikan teknologi informasi dalam

membantu kinerja Toko XYZ, dengan

membangun Digital Reminder Customer

Payment. Peneliti berharap dengan dibangunnya

aplikasi ini dapat membantu toko dalam

mengenalkan produk-produk terbarunya kepada

pelanggan, serta mampu membantu dalam


tempo pembayaran.

Kata kunci : Reminder Customer Payment

Abstract

In the current technological developments

bring enormous impact on everyday life including

the XYZ Stores. XYZ Store is a trading company

engaged in the field of fashion. Currently XYZ

Store not utilize technology capable of providing

services to customers, especially in providing

information fashion products, and to remind the

customer in terms of the payment due date. As a

result, customers XYZ shop who are out of town and

out of the island of Java often miss new products

information owned by the store, and the store often

forget to remind its customers in terms of the

payment due date.

This research tries to implement

information technology in helping performance

XYZ Stores, with build-Based Digital Payment

Customer Reminder. The research hopes that with

the construction of this application can help store in

introducing new products to the customer, and is

able to assist in alerting the customer in terms of the

payment due date.

Key word: Reminder Customer Payment

I. PENDAHULUAN

1.1 Latar belakang

Toko XYZ merupakan salah satu usaha yang

bergerak dibidang fashion yang menjual berbagai

macam jenis jaket, celana, kemeja, atasan dan

lainnya. Toko ini berdiri sejak tahun 1960, pada

awalnya toko ini hanya menjual secara eceran dan

masih pedagang kaki lima. Seiring berkembangnya

zaman semakin berkembang juga usaha yang dimiliki

oleh toko ini dan semakin banyak pelanggan yang

datang ke toko ini. Pada awal tahun 2000 toko ini

mempunyai tempat yang cukup besar beralamatkan di

Jalan Arjuna No. 19 Ciroyom Bandung. Sekarang

toko tersebut berpindah haluan yang awalnya menjual

secara eceran, sekarang sudah menjadi toko grosir.

Toko XYZ berdagang mengikuti prinsip dan

konsep bisnis orang Cina yang bertekad kuat untuk

maju, jujur, adil, ramah kepada para pelanggan dan


45


memiliki Etos kerja yang sangat tinggi, sehingga toko

ini mampu berkembang dan memiliki pelanggan yang

cukup banyak. Selain dari daerah sendiri (Bandung)

Toko XYZ juga memiliki pelanggan yang berasal

dari luar kota seperti Jakarta, Surabaya, Bogor

bahkan ada yang dari luar Pulau Jawa. Pelanggan

yang mempunyai jarak yang dekat dengan toko

biasanya langsung datang ke toko akan tetapi untuk

pelanggan yang jauh biasanya memesan produk lewat

telephone seluler, mereka datang ke toko hanya

sesekali saja, itupun jika ada produk-produk baru.

Berdasarkan informasi yang diperoleh dari

pemilik toko, pelanggan yang paling besar yaitu

pelanggan yang berasal dari luar pulau Jawa, karena

pelanggan yang berasal dari luar pulau Jawa mereka

memesan produk sangat banyak sekali dengan budget

lebih dari Rp 100.000.000,- sekali belanja bahkan

bisa melebihi. udget yang sebelumnya mereka

siapkan, oleh karena itu pihak toko memberi

keringanan dalam hal pembayaran dan biasanya

pelanggan membayar 80% dari jumlah produk yang

dipesan, untuk sisanya para pelanggan membayar

secara mengangsur dengan melakukan perjanjian

pembayaran kapan mereka akan membayar sisanya.

Namun seringkali mereka lupa kapan mereka

harus membayar sisa uang yang belum mereka bayar.

Untuk membantu pihak toko dalam

mengenalkan produk-produk fashion sekaligus

mengingatkan para pelanggannya yang melakukan

transaksi pembelian produk fashion secara

mengangsur, maka pihak toko perlu memanfaatkan

teknologi informasi, salah satunya aplikasi yang bisa

memberikan solusi terhadap hal di atas. Selama ini

Toko XYZ belum mempunyai aplikasi tersebut,

sehingga para pelanggan kesulitan dalam mengetahui

produk-produk terbaru, dan pihak toko mengalami

kendala terutama dalam hal memberikan konfirmasi

jatuh tempo pembayaran terhadap pelanggan.

Berdasarkan uraian diatas, sebaiknya Toko XYZ

mengimplementasikan teknologi informasi dalam

membantu kinerja perusahaan.

1.2 Identifikasi Masalah

Berdasarkan latar belakang tersebut, peneliti

dapat mengidentifikasi masalah-masalah sebagai

berikut :

a. Pelanggan selalu ketinggalan informasi

tentang produk-produk terbaru yang dimiliki

Toko XYZ terutama pelanggan yang berada

diluar Pulau Jawa.

b. Belum adanya sistem pemberitahuan yang

realtime yang mampu memberitahu pelanggan.

1.3 Rumusan Masalah

Berdasarkan identifikasi masalah tersebut

penyusun dapat merumuskan permasalahan sebagai

berikut :

1. Bagaimana cara menyajikan informasi yang baik

kepada para pelanggan supaya para pelanggan

tidak ketinggalan informasi produk Toko XYZ.

2. Bagaimana cara membangun Media Digital

Customer Payment di Toko XYZ ?


2.1 Konsep Dasar Perangkat Lunak

Perangkat lunak (software) adalah program

komputer yang berfungsi sebagai penghubung antara

pengguna (user) dan perangkat keras (hardware).

Perangkat lunak (software) bisa dikatakan juga

sebagai “penerjemah” perintah-perintah yang

dijalankan pengguna komputer untuk diproses oleh

perangkat keras (hardware).

Perangkat lunak adalah : (1) perintah (program

komputer) yamg bila dieksekusi memberi fungsi dan

ujuk kerja seperti yang diinginkan. (2) struktur data

yang memungkinkan program memanipulasi

informasi secara proporsional, dan (3) dokumen yang

menggambarkan operasi dan kegunaan program

(Andi Kristanto, 2004).

2.2 Definisi Rekayasa Perangkat Lunak

Secara umum rekayasa perangkat lunak

(software engineering) memiliki pengertian sebagai

sebuah disiplin ilmu yang menerapkan teori-teori

dasar bidang tertentu, kedalam sebuah perangkat

lunak (software) yang digunakan sebagai alat bantu

pemecahan masalah atau proses pengambilan

keputusan.

Rekayasa perangkat lunak (software

engineering) adalah Suatu disiplin ilmu yang

mengintegrasikan proses atau prosedur, metode, dan

perangkat tools untuk pembangunan perangkat lunak

computer. (Roger S.Pressman, 97)


46


2.3 Model Pengembangan Perangkat Lunak

Pemodelan rekayasa perangkat lunak (software

engineering) merupakan kegiatan yang dilakukan

pada tahap awal dalam rekayasa perangkat lunak.

Pemodelan ini berpengaruh terhadap hal-hal yang

akan dikerjakan dalam pembangunan perangkat lunak

(software). Pemodelan rekayasa perangkat lunak

memiliki beberapa model diantaranya :

1. Waterfall

2. Prototype

3. Spiral

4. RAD ((Rapid Application Development)

Dalam pembangunan Digital Reminder

Customer Payment peneliti menggunakan model

yaitu model waterfall.

2.4 Pemodelan Waterfall

Teknik pemodelan waterfall atau linear

sequential model merupakan model yang

dikembangkan untuk pengembangan perangkat lunak

dan membuat perangkat lunak. Pemodelan ini

berkembang secara sistematis dari satu tahap ke tahap

lain seperti air terjun.

Setiap tahapan pada model waterfall ini akan

menghasilkan keluaran yang diperlukan sebagai

bahan masukan untuk melanjutkan ketahap

berikutnya, atau sebagai umpan balik untuk

memperbaiki kekurangan atau kesalahan yang

mungkin ada ditahap sebelumnya.

Berikut ini mengilustrasikan model waterfall yang

disampaikan oleh Pressman 1997.

Analysis Design Code Test

Pemodelan sistem

informasi

Gambar 1 Model Sekuensial Liner (Waterfall Model)

2.5 Alat Bantu Analisis

Alat bantu analysis perangkat lunak memberi

topangan yang otomatis atau semi otomatis pada

proses-preses dan metode-metode yang ada. jika

suatu tools terintegrasi, maka informasi yang

dihasilkan oleh tools tersebut dapat digunakan oleh

tools yang lain dalam suatu sistem perangkat lunak.

Adapun tools dalam perancangan terstruktur adalah

sebagai berikut :

1. Diagram hubungan antar entitas (Entity

Relationship diagram/ERD)

2. Diagram aliran data (Data Flow Diagram/DFD)

3. Kamus data (Data Dictionary)

2.6 Basis Data

Basis data terdiri atas 2 kata, yaitu basis dan

data. Basis dapat diartikan sebagai markas atau

gudang, tempat bersarang atau berkumpul.

Sedangkan data adalah representasi fakta dunia nyata

yang mewakili suatu objek seperti manusia (pegawai,

pembeli, pelanggan), barang, hewan, peristiwa,

konsep, keadaan, dan sebagainya, yang direkam

dalam bentuk angka, huruf, symbol, teks, gambar,

bunyi dan kombinasi.

Basis data sendiri dapat didefinisikan dalam

sejumlah sudut pandang seperti :

1. Himpunan kelompok data (arsip) yang saling

berhubungan yang diorganisasi sedemikian rupa

agar kelak dapat dimanfaatkan dengan mudah.

2. Kumpulan data yang paling berhubungan yang

disimpan secara bersama sedemikian rupa dan

tanpa pengulangan (redundasi) yang tidak perlu,

untuk memenuhi berbagai kebutuhan.

3. Kumpulan file/tabel/arsip yang saling

berhubungan yang disimpan dalam media

penyimpanan elektronis. (Fatansyah, 1999)


DIGITAL CUSTOMER REMINDER

PAYMENT

3.1 Analisis Digital Customer Reminder

Payment

Analisis dalam pengembangan perangkat lunak

(software development), merupakan kegiatan untuk

mengindentifikasikan dan mendefinisikan semua

kebutuhan pengguna yang diperoleh dari hasil

wawancara dan observasi. Adapun kegiatan

pembangunan perangkat lunak tersebut dimulai dari


47


tahap analisis kebutuhan data, analisis kebutuhan

fungsional, dan analisis pemodelan yang mencakup

ERD, DFD, dan kamus data.

3.1.1 Diagram Konteks (Context Diagram)

Diagram konteks (context diagram) merupakan

diagram yang menggambarkan ruang lingkup suatu

sistem, baik untuk menggambarkan seluruh input ke

sistem ataupun output ke sistem. Adapun diagram

konteks yang menggambarkan ruang lingkup Digital

Reminder Customer Payment adalah sebagai berikut :

Administrator PelangganAplikasi Reminder

Customer Payment

Data Login

Verifikasi Login

Detail Data Produk

Data Pesanan Produk

Data Perjanjian

Report Jatuh Tempo Pembayaran

Detail Data Login

Detail Data Produk

Detail Data Pesanan

Detail Data Perjanjian

Data Login

Verifikasi Login

Data Pelanggan

Data Produk

Detail Data Pelanggan

Detail Pesanan Produk

Cetak Data Pesanan

Gambar 2 Context Diagram

3.1.2 DFD Level 1

DFD level 1 menggambarkan fungsi-fungsi

utama atau menunjukan proses, aliran data dan

external entity. Adapun DFD level 1 untuk Digital

Reminder Customer Payment adalah sebagai berikut.

2.0

Kelola Data

Pelanggan

3.0

Kelola Data

Produk

Administrator

Pelanggan

Tabel Pelanggan

Data Produk

Detail Data Produk

Tabel Data Produk

Data Perjanjian

Tabel Data Perjanjian

Detail Data PesananData Pesanan Produk

Detail Data Perjanjian

Detail Data Login

5.0

Kelola Data

Perjanjian

Report Jatuh Tempo Pembayaran

4.0

Kelola Data

Pesanan

Detail Data Produk

Data Pelanggan

Tabel Data Pesanan

1.0

Kelola Data

Login

Data Login

Detail Data Login

Verifikasi Login

Verifikasi Login

Data Login

Tabel Login

Detail Pesanan ProdukCetak Data Pesanan

Gambar 3 Data Flow Diagram

3.1.3 EntityRelationship Diagram

Entity Relationship Diagram (ERD) merupakan

notasi grafik dari sebuah model data atau sebuah

model jaringan yang menjelaskan tentang data yang

tersimpan dalam sistem secara abstrak. Adapun ERD

yang menunjukan hubungan antar entitas yang ada

pada perangkat lunak yang dibangun adalah sebagai

berikut:


48


Harga

MemesanPelanggan Produk

Id Pelanggan

N N

Nama

PelangganKata Sandi

Alamat

No HP

Id Pengguna Id Produk

Jumlah produk Deskripsi Ukuran

Deskripsi

Nama Produk

Id Produk

Perjanjian

Mengisi

Total Belanja

1

1

Id Pelanggan No.Registrasi

No.Registrasi

Cicilan

Bayar

Uang Muka

Gambar 4 Entity Relationship Diagram

3.2 Perancangan Digital Customer Reminder

Payment

Perancangan dalam membangun perangkat

lunak merupakan kegiatan untuk mengontruksikan

sebuah sistem yang sesuai dengan kebutuhan

pengguna yang didapat dari hasil analisis, agar

perangkat lunak yang dibangun dapat memberikan

kepuasan bagi pengguna perangkat lunak yang

dibangun tersebut.

3.2.1 Rancangan Antarmuka

Rancangan antarmuka merupaan tahapan

dimana perancangan aplikasi yang sudah

dipersiapkan kemudian ditampilkan menjadi

antarmuka antara pengguna dengan aplikasi. Adapun

rancangan antarmuka dari Digital Reminder

Customer Payment adalah sebagai berikut:

1. Halaman Login

Masuk

Gambar Slide

Id Pengguna

MUSCAT CORPORATION

Kata Sandi

Copyright 2014. Toko Muscat. Corporation. 3 Brother

LOGO

Gambar 5 Halaman Login

2. Halaman Menu Utama Administrator

Selamat Datang di Toko Muscat

GROSIR FASHION

JL ARJUNA NO. 19 BANDUNG

Hp: 085720216657, 081321474807, 082118209942

BCA : 28 10 21 6002

MANDIRI : 13-000-10-505-629

BNI : 01 99519959

Copyright 2014. Toko Muscat. Coorporation. 3 Brother

LOGO

Gambar

Data Perjanjian Data Login Data Produk LogoutData Pelanggan

Gambar 7 Menu Utama Adminstrator

3. Halaman Menu Utama Pelanggan

Produk

Selamat Datang di Toko Muscat

GROSIR FASHION

JL ARJUNA NO. 19 BANDUNG

Hp: 085720216657, 081321474807, 082118209942

BCA : 28 10 21 6002

MANDIRI : 13-000-10-505-629

BNI : 01 99519959


LOGO

Gambar

Keranjang Logout

Gambar 8 Menu Utama Pelanggan

4. Halaman Produk

Gambar GambarGambar

Produk


LOGO

Keranjang Logout

Gambar GambarGambar

Gambar 9 Halaman Produk


49


5. Halaman Pemesanan

Produk


LOGO

Keranjang Logout

Gambar

Nama Produk

Ukuran S, M, L & XL

Harga

Warna Hitam, Coklat, hijau dan Abu

Beli Kembali

Jumlah

Form Pemesanan

Deskripsi

Gambar 10 Halaman Pemesanan

6. Halaman Keranjang

Produk


LOGO

Keranjang Logout

Data Pesanan

Identitas

Nama :

Alamat :

No HP :

Pesanan

Total Rp :1.xxx.xxx.xxx Kontan KreditCara Pembayaran

No Nama Produk Jumlah Harga Deskripsi

1 Urban Tanduk 100 63000 campur Batal

2 Mayer Cewe 50 65000 campur Batal

3

4

5

Gambar 11 Halaman Keranjang

7. Halaman Perjanjian

Produk


LOGO

Keranjang Logout

Rp : 1.xxx.xxx.xxx Total Pesanan

Silahkan isi form perjanjian dibawah

Uang Muka Rp :

Sisa

TGL/BLN/THN

Maksimal 2 kali cicilan

Cicilan Pertama

TGL/BLN/THNCicilan Kedua

Rp :

Keterangan :

Rp :

Rp :

Anda akan mendapatkan

pemberitahuan berupa

pesan lewat sms. Pesan

tersebut hanya untuk

mengingatkan anda dalam

hal pembayaran cicilan.

Ok

Nama

No. HP

Bang Zamal

081321xxxxxxNo. Reg

Gambar 12 Halaman Perjanjian

8. Halaman Data Perjanjian


LOGO

NO No. Reg Nama No. HP Total Belanja Uang Muka Cicilan 1 Bayar 1 Cicilan 2 Bayar 2 Detail

1 1Bang Beni 085624xxxxxx Rp200,000,000Rp150,000,000 26-Nov-88Rp25,000,000 3-Dec-88Rp25,000,000

2 2Bang Zamal 081321xxxxxx Rp250,000,000Rp200,000,000 27-Nov-88Rp25,000,000 4-Dec-88Rp25,000,000

3 3Anto D_zone 088812xxxxxx Rp20,000,000 Rp15,000,000 28-Nov-88 Rp2,500,000 5-Dec-88 Rp2,500,000

4 4Andre Dago 087816xxxxxx Rp10,000,000 Rp8,000,000 29-Nov-88 Rp1,000,000 6-Dec-88 Rp1,000,000

5 5Mang Asep 089981xxxxxx Rp50,000,000 Rp40,000,000 30-Nov-88 Rp5,000,000 7-Dec-88 Rp5,000,000

6

7

8

9

10

11

12

13

14

15

CARI

DataPerjajian


Transaksi Hari ini

Gambar 13 Halaman Data Perjanjian


50


9. Halaman Data Pesanan


LOGO

Data Pesanan

Identitas

Nama :

Alamat :

No HP :

Pesanan

Total Rp :1.xxx.xxx.xxx Download Kembali

N o N a m a P ro d u k J u m l a h H a rg a D e s k ri p s i

1 U rb a n T a n d u k 100 63000 ca m p u r

2 M a y e r C e w e 50 65000 ca m p u r

3

4

5


Print

Gambar 14 Halaman Data Pesanan

10. Halaman Data Login


N O I d P e n g g u n a K a t a S a n d i S t a t u s R e v i s i D a t a

1 b e n i r j b i s t i m e w a A d m i n e d i t | h a p u s

2 d _ z a m a l l u a r b i a s a p e l a n g g a n e d i t | h a p u s

3 a n t o d _ z o n e b u k a d o n g p e l a n g g a n e d i t | h a p u s

4 a n d r e _ d a g o d i t u n g g u a n p e l a n g g a n e d i t | h a p u s

5 m a s e p s i k a s e p p e l a n g g a n e d i t | h a p u s

6 u n i _ e l o p e n p l i s p e l a n g g a n e d i t | h a p u s

7 n i n a 0 7 n i n 4 b 4 h e n o l p e l a n g g a n e d i t | h a p u s

8 b _ i s n u 9 e l 1 5 p e l a n g g a n e d i t | h a p u s

9

1 0

1 1

1 2

1 3

1 4

1 5

Tambah CARI

Data Login

LOGO


Gambar 15 Halaman Data Login

11. Halaman Tambah Data Login


LOGO

Data Baru

Nama

Alamat

No. Handphone

ID Pengguna

Kata SAndi

Konfirmasi

Simpan Kembali


Data Pelanggan

Data Login

Status Admin / pelanggan

Gambar 16 Halaman Tambah Data Login

12. Halaman Ubah Data Login


LOGO

Pembaruan Data

ID Pengguna

Kata SAndi

Konfirmasi

Simpan Kembali


Gambar 17 Halaman Ubah Data Login

13. Halaman Data Pelanggan


N O Id P e langgan N am a A lm at N o Handphone Re visi Data

1 be ni rjb istim e w a A dm in 81231453678 e dit | hapus

2 d_zam al luar b iasa pe langgan 81231453678 e dit | hapus

3 anto d_zone buka dong pe langgan 81231453678 e dit | hapus

4 andre _dago ditungguan pe langgan 81231453678 e dit | hapus

5 m ase p si kase p pe langgan 81231453678 e dit | hapus

6 uni_e l ope n p lis pe langgan 81231453678 e dit | hapus

7 nina 07 nin4 b4he nol pe langgan 81231453678 e dit | hapus

8 b_is nu9e l15 pe langgan 81231453678 e dit | hapus

9

10

11

12

13

14

15

CARI

Data Login

LOGO


Gambar 18 Halaman Data Pelanggan


51


14. Halaman Data Produk

Produk


Keranjang Data Perjanjian Data Login Data Produk Logout

LOGO

Data Baru

Id_Produk

Nama

Ukuran

Harga

Warna

Tipe / Jenis

Simpan Kembali

Foto Chose Foto

Gambar 19 Halaman Data Produk

15. Halaman Ubah Data Produk

Produk


Keranjang Data Perjanjian Data Login Data Produk Logout

LOGO

Perbarui Data

Id_Produk

Nama

Ukuran

Harga

Warna

Tipe / Jenis

Simpan Kembali

Foto Chose Foto

Gambar 20 Halaman Ubah Data Produk

3.2.2 Perangkat Pengembangan dan

Implementasi

Dalam membangun perangkat lunak,

dibutuhkan sumber daya yang dapat menunjang

kegiatan membangun perangkat lunak tersebut.

Sumber daya tersebut terdiri dari perangkat keras

(hardware), perangkat lunak (software), serta sumber

daya manusia (brainware).

1. Lingkungan Perangkat Keras

Perangkat keras (hardware) yang dibutuhkan

untuk mendukung kegiatan pengembangan perangkat

lunak yang dibangun agar dapat digunakan dengan

baik, minimal memiliki konfigurasi sebagai berikut:

1. Processor berkecepatan minimal 1,4 Ghz (Giga

Heartz)

2. Random Acces Memory (RAM) 2 Ghz (Giga

Heartz)

3. Harddisk dengan kapasitas free 40 GB (Giga

Byte)

4. Alat input, yaitu keyboard, mouse, dan flashdisk

5. Alat output, yaitu monitor, printer, modem GSM

2. Lingkungan Perangkat Lunak

Perangkat lunak (software) yang dibutuhkan

sebagai penunjang dalam kegiatan pengembangan

perangkat lunak yang dibangun adalah sebagai

berikut:

1. Sistem operasi Windows XP/7

2. XAMPP

3. Macromedia Dreamweaver 8

4. Adobe Photoshop CS2

3. Sumber Daya Manusia

Sumber daya manusia (brainware) dalam

pengembangan perangkat lunak memiliki peranan

yang sangat penting, diperlukan sumber daya

manusia yang berpotensi untuk mengelola aplikasi

tersebut. Adapun sumber daya manusia yang

dibutuhkan dalam pengembangan perangkat lunak ini

adalah sumber daya manusia yang memiliki

keunggulan dalam mengoperasikan komputer,

memiliki pengetahuan dan menguasai bahasa

pemrograman yang digunakan dalam membangun

aplikasi ini.


52


3.2.3 Pengujian

Dalam tahap pengujian perangkat lunak

yang dibangun ini peneliti menggunakan metode

black box, pengujian metode black box merupakan

metode pengujian yang berfokus pada persyaratan

fungsional aplikasi.


Kesimpulan yang dapat diambil dari penelitian

ini antara lain adalah sebagai berikut :

1. Aplikasi ini dibangun dengan menggunakan

model waterfall yaitu melalui tahapan-tahapan

mulai dari analisis, perancangan, pengkodean,

sampai ke tahap pengujian (testing), tahapan-

tahapan itu dilakukan untuk mempermudah

dalam pembuatan aplikasi ini.

2. Aplikasi yang dibangun memiliki kemampuan

untuk menyajikan informasi mengenai produk-

produk yang dimiliki oleh Toko XYZ, yang

dapat diakses melalui internet, sehingga

mempermudah para pengunjung atau pelanggan

Toko XYZ dalam membeli atau memesan

produk yang diinginkannya. Data yang dipesan

akan diterima oleh pihak toko dan akan ditindak

lanjuti.

3. Digital Reminder Customer Payment diterapkan

pada aplikasi ini, yaitu dengan mengisi form

perjanjian yang sudah tersedia untuk


tempo pembayaran. Sehingga pihak toko tidak

direpotkan dengan para pelanggannya yang lupa

membayar sisa pembayaran.

REFERENSI

Pressman. Roger. S, Ph. D. 202 Rekayasa

Perangkat Lunak (pendekatan praktisi buku

satu). Yogyakarta; ANDI

Fatansyah. 1999. Basis Data. Bandung:

Informatika.

Ann Wan Seng. 2013 Rahasia Bisnis Orang Cina.

Noura Books.

Andri Kristanto. 2004. Rekayasa Perangkat Lunak

(Konsep Dasar) Yogyakarta; Gava Media.

Sutarman. 2007. Membangun Aplikasi Web dengan

PHP & MySql.Yogyakarta: Graha Ilmu

http://www.belbuk.com/penulis_cari.php?c=Ann%20Wan%20Seng&osCsid=2b161e6ba965b6f554d94682e4658e2d


53


SISTEM INFORMASI PEMASARAN BERBASIS WEB E-COMMERCE

PADA UMKM BINAAN HPP KABUPATEN PANGANDARAN

(STUDI KASUS UMKM SIMPATI COLLECTION)

Muhammad Benny Chaniago1), Asep Nuryanto2)

1), 2) Sistem Informasi Universitas Widyatama Bandung

Jl Cikutra 204A, Bandung 40125

Email : [email protected]), [email protected])

Abstrak

Simpati Collection merupakan suatu usaha dalam

bidang penjualan produk baju dan celana khas

Pangandaran. Saat ini Simpati Collection dalam

kegiatan promosi dan pemasaran produk masih

dengan cara statis yaitu dengan membuka toko di

kawasan pangandaran saja. Hal ini menyebabkan

ruang lingkup pemasaran masih belum luas dan

lambat serta komunikasi kepada pelanggan dan

calon pelanggan masih belum efisien. Oleh karena

itu Simpati Collection membutuhkan sistem informasi

yang lebih modern agar proses promosi dan

pemasaran bisa lebih luas dan lebih cepat serta lebih

efisien dalam berkomunikasi dengan pelanggan dan

calon pelanggan. Selain itu Simpati Collection ingin

menghadirkan inovasi baru di bidang penjualan baju

dan celana khas pangandaran dengan sistem

pemasaran e-Commerce.

Metode yang diusulkan dalam pengembangan sistem

menggunakan analisis berorientasi obyek ditambah

dengan desain menggunakan tool Unified Modeling

Language (UML) sebagai bahasa pemodelannya.

Output dari penelitian ini adalah terciptanya media

pemasaran atau promosi berbasis website dengan

sistem E-commerce bagi Simpati Collection sehingga

tersedianya sarana komunikasi yang efektif dan

efisien bagi pelanggan dan calon pelanggan Simpati

Collection.

Kata kunci: e-Commerce, UML, Website, Sistem

Informasi, Pelanggan.

1. PENDAHULUAN

Pemberdayaan UMKM bertujuan untuk

meningkatkan pengembangan daerah, membuat

lapangan kerja, pemerataan pendapatan, pertumbuhan

ekonomi dan pengentasan kemisikinan. Oleh karena

itu, pengelola atau pemilik UMKM perlu melakukan

strategi pemasaran yang baik terhadap produk yang

dikelola agar mendapatkan pendapatan yang menjadi

salah satu tujuan utama UMKM.

Zaman sekarang merupakan era teknologi, kebutuhan

manusia dalam akses data semakin meningkat tidak

terkecuali dalam mengakses situs online untuk

melakukan transaksi jual beli, ini disebabkan adanya

pola pergeseran hidup manusia ke arah yang lebih

baik. Hal ini dapat terfasilitasi dengan cepat dengan

pemanfaatan komputer. Berdampak akan terjadinya

keefisiensian waktu, biaya dan resource.

Simpati Collection merupakan suatu usaha dalam

bidang penjualan produk baju dan celana khas

Pangandaran. Saat ini Simpati Collection dalam

kegiatan promosi dan pemasaran produk masih

dengan cara statis yaitu dengan membuka toko di

kawasan pangandaran saja. Hal ini menyebabkan

ruang lingkup pemasaran masih belum luas dan

lambat serta komunikasi kepada pelanggan dan calon

pelanggan masih belum efisien. Oleh karena itu

Simpati Collection membutuhkan sistem informasi

yang lebih modern agar proses promosi dan

pemasaran bisa lebih luas dan lebih cepat serta lebih

efisien dalam berkomunikasi dengan pelanggan dan

calon pelanggan. Selain itu Simpati Collection ingin

menghadirkan inovasi baru di bidang penjualan baju

dan celana khas pangandaran dengan sistem

pemasaran e-Commerce.




54


Dengan berkembangnya sarana teknologi, Simpati

Collection pun tak lupa untuk menerapkannya

dimana nantinya untuk lebih menunjang proses

publikasi atau promosi dapat menggunakan sarana

online seperti website. Oleh karena itu, dalam

penelitian ini penulis mengambil inisiatif untuk

membuatkan sistem berbasis web untuk Simpati

Collection. Sistem ini dibuat agar dapat membantu

mempercepat proses pengenalan, pemesanan dan

penjualan produk serta kegiatan Simpati Collection

sehingga seluruh masyarakat di seluruh Indonesia

dapat menikmati dan terbantu dengan fasilitas yang

ada pada web Simpati Collection.

Berdasarkan latar belakang di atas, maka penulis

dapat merumuskan beberapa masalah di antaranya :

a. Bagaimana membuat media sebagai

sarana pemasaran produk berbasis web

dengan sistem e-Commerce bagi Simpati

Collection secara profesional?

b. Bagaimana membuat sarana komunikasi

yang efisien bagi pelanggan dan calon

pelanggan Simpati Collection?

Adapun tujuan yang ingin dicapai dari hasil

penelitian ini adalah sebagai berikut:

a. Membantu terciptanya media pemasaran

atau promosi berbasis website dengan

sistem e-Commerce bagi Simpati

Collection yang profesional.

b. Tersedianya sarana komunikasi yang efektif dan

efisien bagi pelanggan dan calon pelanggan

Simpati Collection.

Ruang lingkup penelitian ini hanya mendalami

aspek-aspek pendukung proses pemasaran atau

promosi produk dan kegiatan Simpati Collection

terutama dalam hal pengenalan produk untuk

pelanggan dan calon pelanggan Simpati Collection

dengan membuatkan website melalui wordpress.

Dalam penelitian ini sudah mencakup proses

pemesanan produk (E-commerce) dan kegiatan yang

sifatnya transaksional.

Metode yang diusulkan dalam pengembangan sistem

menggunakan analisis berorientasi obyek ditambah

dengan desain menggunakan tool Unified Modeling

Language (UML) sebagai bahasa pemodelannya.

1.1. Definisi Sistem

Sistem menurut (Jogiyanto, 2005) adalah

sekumpulan unsur/elemen yang saling berkaitan,

saling mempengaruhi dan bekerjasama sesuai aturan

yang ditetapkan untuk mencapai suatu tujuan.

1.2. Definisi Informasi

Informasi menurut (Jogiyanto, 2005) adalah

data yang telah diproses sehingga memiliki makna

yang mudah dipahami atau dimengerti. Kualitas

Informasi dinilai dari akurat, relevan dan tepat waktu.

Sedangkan data itu sendiri adalah fakta atau kejadian

yang terjadi di dalam sebuah perusahaan atau

organisasi. Kebanyakan dari data tidak mempunyai

makna jika digunakan tanpa didukung dengan data

lain.

1.3. Definisi Sistem Informasi

Sistem informasi menurut (O’Brien, 2005)

adalah suatu sistem di dalam suatu organisasi yang

mempertemukan kebutuhan pengolahan transaksi

harian, mendukung operasi yang bersifat manajerial

dan kegiatan strategi dari suatu organisasi dan pihak

luar tertentu dengan laporan yang diperlukan. Dan

sistem informasi terdiri dari brainware, hardware,

software, computer networks and communications,

dan database yang mengumpulkan, mengubah dan

menyebarkan informasi di dalam suatu organisasi.

1.4. Aplikasi Berbasis Web

Aplikasi menurut (Kadir, 2003) adalah suatu

perangkat lunak yang siap pakai dengan

menjalankan instruksi-instruksi dari

pengguna (user). Aplikasi banyak diciptakan

untuk membantu berbagai keperluan.

Menurut (Simarmata, 2010), web adalah suatu

sistem informasi yang disimpan pada sebuah server

berupa teks, gambar, suara, dan lain-lain yang

ditampilkan dalam bentuk hypertext. Aplikasi

berbasis web dapat diakses dengan menggunakan web

browser melalui internet.

1.5. Pemasaran

Pemasaran menurut (Stanton, 2000) dapat

didefinisikan sebagai usaha terpadu untuk

menggabungkan rencana-rencana strategis yang

diarahkan kepada usaha pemuas kebutuhan dan


55


keinginan konsumen untuk memperoleh keuntungan

yang diharapkan melalui proses pertukaran atau

transaksi. Kegiatan pemasaran perusahaan harus

dapat memberikan kepuasan kepada konsumen bila

ingin mendapatkan tanggapan yang baik dari

konsumen. Perusahaan harus secara penuh tanggung

jawab tentang kepuasan produk yang ditawarkan

tersebut. Dengan demikian, maka segala aktivitas

perusahaan, harusnya diarahkan untuk dapat

memuaskan konsumen yang pada akhirnya bertujuan

untuk memperoleh laba.

1.6. Definisi Wordpress

WordPress menurut (Mullenweg, 2010) adalah alat

blogging gratis dan open source serta sistem

manajemen konten (CMS) berbasis PHP dan

MySQL, yang berjalan pada layanan web hosting.

WordPress adalah sistem blogging yang paling

populer digunakan di Web, pada lebih dari 60 juta

situs.

WordPress mempunyai kelebihan-kelebihan sebagai

berikut :

a. Free. Wordpress dapat didownload dan

digunakan secara gratis termasuk untuk

kepentingan komersial.

b. Berbasis open source. WordPress dapat

dimodifikasi sesuai dengan keinginan kita

sehingga WordPress dapat dijadikan media

pembelajaran bagi programer tingkat lanjutan.

c. WordPress memiliki desain tampilan yang

mudah dimodifikasi sesuai keinginan user. User

dapat mendownload template yang dapat dipilih

sebanyak ribuan dan gratis.

d. WordPress juga sering dimanfaatkan

sebagai blog komunitas dimana anggota

komunitas bisa berperan sebagai

kontributor.

e. WordPress dapat melakukan import data

dari blog lainnya dengan mudah sehingga

pengguna bisa melakukan migrasi data

dengan mudah dan cepat.

f. WordPress memiliki banyak plugin untuk

melengkapi fitur-fitur standar seperti

plugin anti-spam, plugin web counter, dan

lain-lain.

g. WordPress dapat memunculkan CSS

standar, XML, dan XHTML.

h. WordPress memiliki struktur permalink

untuk memudahkan mesin pencari

mengenali struktur blog dengan baik.

i. Support terhadap LaTeX.

j. Memiliki kemampuan Search Engine Optimizer

yang baik.

1.7. UML

Menurut (Nugroho, 2009), UML (Unified Modeling

Language) merupakan sebuah bahasa yang

berdasarkan grafik/gambar untuk memvisualisasi,

menspesifikasikan, membangun, dan

pendokumentasian dari sebuah sistem pengembangan

software berbasis OO (Object-Oriented). UML

sendiri juga memberikan standar penulisan sebuah

sistem blue print, yang meliputi konsep bisnis proses,

penulisan kelas-kelas dalam bahasa program yang

spesifik, skema database, dan komponen-komponen

yang diperlukan dalam sistem software.

Menurut (Widodo, 2011) dan (Sholiq, 2006),

dikatakan bahwa : “Notasi UML dibuat sebagai

kolaborasi dari Glady Booch, DR. James Rumbough,

Ivar Jacobson, Rebecca Wirfs-Brock, Peter Yourdon,

dan lainnya. Jacobson menulis tentang

pendefinisian persyaratan-persyaratan sistem yang

disebut use case. Juga mengembangkan sebuah

metode untuk perancangan sistem yang disebut

Object-Oriented Software Engineering (OOSE)”. Dan

saat ini UML menyediakan delapan diagram untuk

proses perancangannya.

Jadi pengertian UML yang penulis rangkum

berdasarkan referensi yaitu bahasa standar dalam

industri yang digunakan untuk menganalisa,

mendokumentasikan dan merancang sistem

perangkat lunak. Sebagaimana yang telah

diungkapkan oleh Sholiq dalam bukunya di atas,

bahwa untuk mendapatkan gambaran terhadap

aplikasi yang akan dibangun, UML menyediakan

beberapa diagram antara lain : Diagram Use Case

(use case diagram), Diagram Kelas (class diagram),

Diagram Aktivitas (activity diagram), Diagram


56


Sekuensial (sequence diagram), Diagram Kolaborasi

(collaboration diagram), Diagram State chart (state

chart diagram), Diagram Komponen (component

diagram), Diagram Deployment (deployment

diagram).

1.8. E-Commerce

Menurut (Hidayat, 2008) e-Commerce merupakan

bagian dari e-lifestyle dengan melakukan proses

transaksi jual-beli secara online kapan pun dan

dimana pun.

Menurut (Laudon, 2007), kegiatan e-Commerce

dapat diklasifikasikan berdasarkan sifat

penggunanya, yaitu :

a. Business to Customer (B2C) yang melibatkan

transaksi penjualan produk dan jasa secara

eceran kepada pembeli perorangan.

b. Business to Business (B2B) yang melibatkan

transaksi penjualan produk dan jasa antar

perusahaan.

c. Customer to Customer (C2C) yang melibatkan

transaksi penjualan produk dan jasa antara

konsumen yang menjual produk dan jasa secara

langsung ke konsumen.

Menurut (Hidayat, 2008), e-Commerce mempunyai

beberapa komponen standar yang dapat

membedakannya dengan transaksi bisnis yang

dilakukan secara offline, yaitu :

a. Product. Jumlah dan jenis produk yang

ditawarkan sama seperti produk yang ditawarkan

secara offline.

b. A place to sell. Domain dan hosting merupakan

perangkat yang paling pokok untuk dapat

menawarkan produk.

c. How to order. Cara menerima pesanan dapat

memanfaat fasilitas internet seperti pesan

langsung melalui website, e-mail, atau

menggunakan fasilitas sosial media juga dapat

memanfaatkan telpon, sms dan lain-lain.

d. Payment method. Pembayaran dapat dilakukan

dengan cara cash on delivery, credit card,

transfer antar bank, internet payment (misalnya

paypal), dan lain-lain.

e. Delivery method. Untuk produk software

pengiriman dapat dilakukan secara online

sedangkan untuk produk selain software

pengiriman dapat dilakukan menggunakan

layanan jasa pengiriman barang.

f. Customer service. Layanan konsumen dapat

dilakukan melalui fitur contact us, email,

formulir on-line, FAQ, telepon, chatting, dan

lain-lain.

2. PEMBAHASAN

2.1. Perancangan Sistem

Penjelasan mengenai analisis website pemasaran

ini dituangkan dalam pemodelan diagram UML yang

terdiri dari Use Case Diagram, Activity Diagram,

Class Diagram, Sequence Diagram dan Deployment

Diagram.

Gambar 1. Use Case Diagram Website


57


Gambar 2. Activity Diagram Pemesanan

Produk

Gambar 3. Class Diagram Website

Gambar 4. Sequence Diagram Website

Gambar 5. Deploy Diagram Website

Untuk memenuhi kebutuhan UMKM Simpati

Collection, maka dalam penelitian ini dibuat suatu

website e-Commerce yang bertujuan untuk

mempermudah Simpati Collection dalam melakukan

pemasaran produk. Hal-hal yang dipermudah adalah

pengelolaan produk, kegiatan transaksi jual beli dan

profil Simpati Collection. Diharapkan sistem ini

dapat memberikan informasi yang cepat dan tepat

bagi pelanggan maupun calon pelanggan yang

memerlukan informasi tentang Simpati Collection

dan dapat mempermudah transaksi jual beli dengan

system e-Commerce.

Pembuatan dan pengembangan website ini dilakukan

berdasarkan pada analisis yang telah dilakukan

sebelumnya dengan tujuan pemanfaatan website ini

mengenai sasaran yang menjadi kebutuhan bagi

Simpati Collection.

Berikut perancangan modul pada website e-

Commerce yang digambarkan dalam bentuk bagan

terstruktur di bawah ini :


58


Sistem Informasi

Pemasaran Produk

LoginPengelolaan Sistem

Pemasaran

Pengelolaan AdminPengelolaan Tema/

Antarmuka

Pengelolaan

Postingan Produk

Gambar 6. Perancangan Modul

Dan perancangan menu pada website ini digambarkan

dalam sebuah site map sebagai berikut :

Menu

Admin

Login

Pengelolaan

Postingan Produk

Add Postingan

Edit Postingan

Delete Postingan

Pengelolaan

Antarmuka/Tema

Pengelolaan

Admin

Add Admin

Update Admi

Delete Admin

Logout

User

Home Products Page Gallery Photo Peta Lokasi Contact Us About

Gambar 7. Perancangan Menu

2.2. Tampilan Antar Muka

2.2.1. Antar Muka Login

Antarmuka login berfungsi untuk otentikasi

Admin tersebut memastikan pengguna yang akan

mengakses website memang seorang Admin.

Gambar 8. Login

2.2.2. Antar Muka Admin

Antar muka menu utama Admin memiliki

konten berupa menu-menu untuk mengelola seluruh

komponen website. Fungsi utama pada menu ini

untuk mengatur konten website seperti pengelolaan

Posts, pengelolaan media seperti image, video dan

audio, pengelolaan link apabila diperlukan untuk

terkoneksi pada sumber internet lain, pengelolaan

page yang akan ditampilkan, moderasi user yang

masuk, mengatur tema dan pengelolaan umum

lainnya.

Gambar 9. Admin

2.2.3. Antar Muka Mobile

Untuk mempermudah Admin dalam pengelolaan

webiste, kini WordPress for Android telah tersedia

pada Google Store dan bisa di-download secara

gratis. Di WordPress for Android, Admin dapat

mengelola segala kebutuhan yang berkaitan dengan

website seperti membuat postingan dimana saja


59


admin berada, mengetahui secara langsung tingkat

aktifitas website seperti komentar yang masuk dan

follower yang baru bergabung melalui menu

notification.

Gambar 10. WordPress for Android

3. KESIMPULAN

Kesimpulan dari penelitian ini adalah sebagai berikut

:

a. Dengan dibuatnya website berbasis web e-

Commerce ini, Simpati Collection memiliki

sarana promosi dan penjualan produk yang dapat

menjangkau pelanggan dan calon pelanggan

secara lebih luas karena menggunakan media

internet dan lebih profesional.

b. Dengan website ini, Simpati Collection dapat

berkomunikasi lebih efektif dan efisien dengan

pelanggan dan calon pelanggan karena adanya

pesan atau komentar yang masuk dari pelanggan

dan calon pelanggan.

Daftar Pustaka

[1] Jogiyanto, Analisis dan Desain Sistem Informasi,

Yogyakata: Andi Offset, 2005.

[2] J.A. O’Brien, Pengantar Sistem Informasi Perseptif Bisnis

dan Manajerial, Jakarta: Salemba Empat, 2005.

[3] A. Kadir, Pengenalan Sistem Informasi, Yogyakarta: Andi

Offest, 2003.

[4] J. Simarmata, Rekayasa Web, Yogyakarta: Andi Offest,

2010.

[5] W. Stanton, Prinsip Pemasaran, Jakarta: Erlangga, 2000.

[6] M. Mullenweg, WordPress, Retrieved from rezzaid.com,

10/02/2016, 12:16 WIB.

[7] A. Nugroho, Rekayasa Perangkat Lunak Menggunakan

UML & Java, Yogyakarta: Andi Offset, 2009.

[8] Herlawati dan Widodo, Menggunakan UML, Bandung:

Informatika, 2011.

[9] Sholiq, Pemodelan Sistem Informasi Berorientasi Objek

dengan UML, Yogyakarta: Graha Ilmu, 2006.

[10] T. Hidayat, Panduan Membuat Toko Online dengan

OSCommerce, Jakarta: Mediakita, 2008.

[11] K.C. Laudon, Sistem Informasi Manajemen Edisi 10 Buku 2,

Jakarta: Salemba Empat, 2007.

Biodata Penulis

Muhammad Benny Chaniago, S.T., M.Kom.,

memperoleh gelar Sarjana Teknik (S.T), Jurusan

Teknik Informatika STMIK IM, lulus tahun 2011.

Memperoleh gelar Magister Komputer (M.Kom)

Program Pasca Sarjana Magister Sistem Informasi

UNIKOM, lulus tahun 2013. Saat ini menjadi Dosen

di Universitas Widyatama Bandung.

Asep Nuryanto, S.Kom., memperoleh gelar Sarjana

Komputer (S.Kom), Jurusan Sistem Informasi

Universitas Widyatama Bandung, lulus tahun 2016.


60


Interpretable STS Terjemahan Ayat Alquran dengan Menggunakan

Chunking otomatis

Maulisye Audina Ulfa

Fakultas Informatika , Jurusan S1 Teknik Informatika

Universitas Telkom

Jalan Telekomunikasi no 1, Terusan buah batu, Bandung, Indonesia

[email protected]

Abstrak

Penelitian dibidang Linguistik memiliki daya

tarik yang cukup besar saat ini, salah satunya adalah

penelitian Interpretable STS (Semantic Textual

Simillarity) yang merupakan penelitian untuk

mengukur tingkat kesamaan makna antara dua buat

teks dengan cara pemberian label keterhubungan dan

skor kesamaan antar teks berdasarkan proses

alignment. Tujuan Tugas Akhir ini yaitu membuat

program untuk menghitung tingkat kesamaan

makna antara pasangan ayat Alquran dalam

terjemahan bahasa Inggris versi saheeh international

dengan proses chunking yang otomatis. Untuk

melakukan penelitian ini, dibuat sistem berupa

unsupervised system.

Garis besar tahapan yang dilakukan dalam

penelitian ini yaitu mengumpulkan data pasangan

terjemahan ayat Alquran, selanjutnya data melalui

proses chunking secara otomatis oleh sistem lalu

masuk pada proses alignment. Selanjutnya diberikan

label keterhubungan antar potongan ayat Alquran,

dan tahap terakhir dilakukan perhitungan skor

kesamaan antara potongan ayat Alquran. Adanya

penelitian ini diharapkan dapat mengetahui secara

optimal mengenai kesamaan makna pasangan

potongan terjemahan Alquran melalui nilai

kesamaan dan label keterhubungan yang dimiliki.

Penelitian ini memiliki nilai akurasi tertinggi untuk

sistem chunking sebesar 88% dan nilai F1 Ali (F1

untuk alignment ) yang tertinggi sebesar 92,9 %.

Kata kunci :

Semantic Textual Similarity, Interpretable STS,

unsupervised system, Chunking, alignment, Alquran.

Abstract

Research in the field of Linguistics has an appeal that

is large enough at the moment, one of which is the

research interpretable STS (Semantic Textual

Simillarity) which is a study to measure the level of

similarity of meaning between the two create a text

by labeling of connectedness and similarity score

between the text based alignment process. The

purpose of this final project is a program to calculate

the degree of similarity of meaning between a couple

verses of the Koran in English translation Saheeh

international version with Chunking process is

automated. To conduct this research, created the

system in the form of unsupervised system.

An outline of the steps being taken in this study is to

collect data translation couple verses of the Koran,

then the data through a process Chunking system

automatically and entered in the alignment process.

Furthermore, given the label connectivity between

pieces of verses of the Koran, and the last stage of the

calculation score similarities between pieces of

verses of the Koran. Their research is expected to

determine optimally on the similarity of meaning

translations of the Qur'an through a couple pieces of

similarity values and connectedness owned label.

This study has an accuracy value for chunking system

by 88% and the value of F1 Ali (F1 for alignment)

which is the highest at 92.9% .

Keywords :

Semantic Textual Similarity, Interpretable STS,

unsupervised system, Chunking, alignment, Koran.


61


I. PENDAHULUAN

Umat Islam memiliki kitab kepercayaan untuk

panduan hidup mereka, kitab tersebut bernama

Alquran. Alquran terdiri dari teks yang biasa disebut

dengan ayat. Kitab Alquran terdiri dari ayat-ayat

yang tersebar dalam 114 surat [1]. Alquran memiliki

banyak ayat yang berulang dalam berbagai surat

yang masih memiliki keterhubungan atau topik yang

saling berkaitan. Hal ini menyebabkan kesulitan

bagi orang awam untuk mencari ayat yang

memiliki informasi yang saling berkait dalam

Alquran. Oleh karena itu, dilakukan implementasi

konsep Interpretable STS pada pasangan

terjemahaan ayat Alquran baik itu ayat-ayat yang

memiliki kesamaan baik dari segi tulisan maupun

dari segi topik yang dibahas. Hal ini bertujuan untuk

melakukan pengukuran kesamaan makna dengan

cara menentukan label keterhubungan dan skor

kesamaan berdasarkan proses alignment[3].

Penelitian ini berpedoman pada SemEval2016

Task21 dan metode yang digunakan pada penelitian

kali ini adalah chunking otomatis, karena metode ini

cocok digunakan pada permasalahan ISTS dan

metode ini mendapatkan peringkat tertinggi dengan

performansi tertinggi pada SemEval2016Task2.Oleh

karena itu sistem akan dibagi menjadi dua yaitu

sistem chunking


Interpretable Semantic Textual Similarity (ISTS)

Interpretable Semantic Textual Similarity

(ISTS) yaitu salah satu task yang terdapat di dalam

SemEval2015 dan SemEval 2016. Interpretable STS

merupakan salah satu metode STS untuk proses

pengukuran kesamaan makna antara kalimat dengan

menggunakan potongan-potongan (Chunk)2 dan

pemberian label keterhubungan serta skor kesamaan

berdasarkan alignment. Tahapan untuk proses

Interpretable STS meliputi.

a. menginputkan data pasangan ayat.

b. melakukan proses pemotongan atau

chunking. Chunk dapat diartikan sebagai

bagian dari konstituen atau gabungan dari

berbagai kata. Karena chunk terdiri dari satu

atau lebih dari satu kata. Untuk menentukan

chunk pada SemEval 2016 dapat mengikuti

1 http://at.qrci.org/semeval2016/task2 2 http://www.clips.ua.ac.be/conll2000/chunking/

panduan pada CONLL 20003. Berikut cara

menentukan potongan berdasarkan panduan

CO-NLL 2000.

1.Membagi klausa dan bawahan klausa utama

dalam menjadi potongan yang lebih kecil

seperti NP, verb chain,PP, adverbs, dan

expressions.

2.Mengambil PP’s secara keseluruhan

pasangan

Contoh chunking seperti berikut.

NP [The boy] / [Maulisye Audina and

Muhammad]

verb chain [is chatting] / [does not like]

PP [at a time] / [with the computer] / [the

house] [of that man] adverbs [of course]

expressions [once upon a time] / [by the

way]

c. melakukan proses alignment atau

menyelaraskan antar chunk. Proses aligment

pada penelitian ini yaitu menggunakan

lemma kata yang sama dan menerapkan

algoritma Hungarian untuk mengoptimalkan

alignment.

d. Proses pemberian label keterhubungan

berdasarkan alignment.

e. Proses menentukan skor kesamaan

berdasarkan alignment.

Contoh penerapan ISTS pada Alquran sebagai

berikut.

- Terdapat pasangan ayat seperti berikut.

Ayat 1 : they say when promise will come if you are

the righteous behold god is most merciful

Ayat 2: And they say when comes the threat of it if

you is the righteous

- Proses chunking untuk pasangan ayat tersebut.

Ayat 1: [they say when promise] [will come] [if you

are the righteous] [behold god is most merciful]

Ayat 2: [And they say] [when comes the threat of it]

[if you is the righteous]

- Proses alignment untuk pasangan ayat tersebut.

3 http://www.clips.ua.ac.be/conll2000/chunking/


62


Gambar 1: Contoh proses alignment untuk

pasangan ayat

- Proses pemberian label keterhubungan dan skor

kesamaan berdasarkan alignment. Berikut

merupakan hasil dari proses ISTS.

(1 1 EQUI 5 ), (2 2 SPE2 4), (3 3 EQUI

5), (4 Ø NOALI)

Dimana 1 1 menandakan chunk satu pada ayat

satu dibandingkan dengan chunk satu pada ayat dua.

Sedangkan EQUI, SPE2, NOALI merupakan tipe

label keterhubungan dan angka yang di bold

merupakan skor kesamaan.

Label Keterhubungan

Label keterhubungan (alignment type)

bertujuan untuk menentukan tipe dari alignment

potongan kalimat, apakah potongan tersebut

mengandung tipe yang seperti apa. Berikut label

yang digunakan untuk kesamaan antar potongan.

EQUI : kedua potongan memiliki arti

yang sama, dan memiliki nilai semantik

yang setara. Contohnya : Hospital dengan

At Hospital.

OPPO : arti kedua potongan saling

bertentangan satu sama lain. Contohnya : in

southern indonesia dengan in northern

indonesia.

SPE1 : antar potongan memiliki arti yang

sama, tetapi potongan di kalimat 1 lebih

spesifik daripada potongan di kalimat lain.

Contohnya : by a shop dengan outside a

bookstore.

SPE2 : seperti SPE1, tetapi yang berbeda

adalah potongan dalam kalimat 2 yang lebih

spesifik. Contohnya holy book dengan

Koran.

SIMI : antar potongan hanya memiliki

arti yang sama, namun tidak EQUI, OPPO,

hubungan SPE1 ataupun SPE2. Contohnya

Palestina dengan Indonesia.

REL : antar potongan tidak dianggap

sama , namun saling terkait erat dengan

beberapa hubungan ( tidak ada hubungan

EQUI, OPPO, SPE1, SPE2, atau SIMI).

NOALI : potongan ini tidak memiliki

potongan yang sesuai dalam kalimat lainnya

[3].

Skor Kesamaan

Untuk menentukan skor kesamaan dan keterkaitan

pada penelitian ini harus dilakukan sebelum

memberikan label pada pasangan ayat. Nilai

kesamaan diberikan untuk setiap alignment. Menurut

sumber dari detail task description SemEval2016,

untuk menentukan nilai kesamaaan, yang dilakukan

terlebih dahulu adalah mengidentifikasi setiap

potongan ayat. Kemudian tentukan parameter untuk

perhitungan keselarasaan. Kategori nilai skor

kesamaan dan keterkaitan antar potongan yaitu

sebagai berikut. Skor kesamaan memiliki range dari

5 sampai 0, dimana angka lima merupakan skor

maksimal sedangkan nol merupakan skor minimal.

[5] jika makna dari kedua potongan ayat itu sama

atau selaras. Contohnya : [unbelievers] [an

unbelievers]

[4,3] jika makna dari kedua potongan ayat itu

sangat mirip atau terikat. Contohnya : [will doom ]

[ will torment]

[2,1] jika makna dari kedua potongan ayat itu

sedikit mirip atau sedikit terkait. Contohnya :

[on the house] [ on horse]

0 yang direpresentasikan NIL makna dari kedua

potongan ayat itu sama sekali tidak mirip atau sama

sekali tidak berhubungan.

Dataset

Untuk Data yang digunakan pada penelitian ini

yaitu 400 pasang ayat terjemahan Alquran, dimana

200 pasang ayat didapatkan dari data Qursim

hasil penelitian keterkaitan corpus Alquran

berdasarkan tafsir Ibn katsir oleh Abdul-Baquee M.

Sharaf dan Eric S [13]. Atwell yang dimuat dalam

situs web textminingthequran.com dan 200 pasang

ayat lainnya diambil dari data indeks tematik pada

Alquran terjemahan Kementrian Agama RI dan situs

web Pusat Kajian Hadist Al-Mughni

alquranalhadi.com.


63


Qursim

Salah satu penelitian dalam bidang quran

mining adalah Qursim. Qursim yaitu suatu corpus

untuk melakukan evaluasi kesamaan dan keterkaitan

teks pendek pada Alquran. Adapun data yang

digunakan pada penelitian ini adalah data ayat

Alquran hasil eksplorasi dari tafsir Ibn Katsir. Tafsir

Ibn Katsir merupakan salah satu buku tafsir yang

sangat popular dan banyak dijadikan referensi tafsir

Alquran. Untuk mendapatkan data pasangan ayat

dilakukan dengan cara melakukan ekstraksi pada ayat

secara otomatis. Selanjutnya dilakukan pengecekan

secara manual untuk menghilangkan sebagian data

yang tidak konsisten sehingga proses ini

menghasilkan 7.679 pasangan ayat Alqur-an.

Kemudian dilakukan pengecekan kembali karena

dalam tafsir Ibn Katsir pembahasan suatu ayat

mengarahkan pada pembahasan yang sangat luas.

Setelah dilakukan pengecekan kembali secara manual

dihasilkan 6.796 pasangan ayat yang terbagi dengan

tiga level berbeda yaitu level 0, level 1, level2 [13].

a. level 0

Pasangan ayat memiliki keterhubungan yang sangat

rendah dan sulit un-tuk dipahami,sehingga untuk

memahami keterhubungannya diharuskan melihat

dari konteks dalam buku tafsir tersebut. Berikut

contoh data level 0 seperti berikut.

Ayat satu : They request from you a [legal] ruling.

Say, "Allah gives you a ruling concerning one having

neither descendants nor ascendants [as heirs]." If a

man dies, leaving no child but [only] a sister, she will

have half of what he left. And he inherits from her if

she [dies and] has no child. But if there are two

sisters [or more], they will have two-thirds of what he

left. If there are both brothers and sisters, the male

will have the share of two females. Allah makes clear

to you [His law], lest you go astray. And Allah is

Knowing of all things (Q.S.An-Nisa :176)

Ayat dua : And do not invoke with Allah another

deity. There is no deity except Him. Everything will

be destroyed except His Face. His is the judgement,

and to Him you will be returned (Q.S.Al-Qasas :88).

b. Level 1

Pasangan ayat ini memiliki keterkaitan rendah namun

dapat di-pahami oleh manusia, tapi masih mungkin

sulit untuk digunakan sebagai data training pada

algoritma pembelajaran mesin. Berikut contoh data

level 1.

Ayat satu : In the name of Allah, the Entirely

Merciful, the Especially Merciful.(Q.S.Al-Baqarah

:1)

Ayat dua : So exalt the name of your Lord, the Most

Great (Q.S.Al-Waqiah:74).

c. Level 2

Pasangan ayat ini memiliki keterkaitan yang tinggi

dan sangat mudah dipahami oleh pembaca. Data ini

cocok untuk digunakan sebagai data training pada

algoritma pembelajaran mesin. Berikut contoh data

level 2.

Ayat satu : This is the Book about which there is no

doubt, a guidance for those conscious of Allah

(Q.S.Al-Baqarah :7)

Ayat dua :O mankind, there has to come to you

instruction from your Lord and healing for what is in

the chest and guidance and mercy for the believers

(Q.S.Yunus:57).

Untuk penelitian ini data Qursim yang digunakan

yaitu data Qursim level 2.

Evaluasi

Evaluasi adalah metode yang digunakan untuk

mengetahui seberapa baik sistem yang telah dibuat.

Pada penelitian ini untuk evaluasi dibedakan menjadi

dua yaitu evaluasi chunk dan matriks evaluasi.

Evaluasi Chunk: Pada sistem chunking otomatis

yang telah dibangun, cara mengukur ketepatan proses

chunking dengan menghitung akurasi sistem.

Perhitungan akurasi yang dilakukan berdasarkan dari

akurasi chunk level. Berikut merupakan rumus untuk

menghitung akurasi chunk level.

Keterangan :

X = Jumlah chunk sistem yang sesuai dengan gold

standard

N= Jumlah keseluruhan chunk

Matriks Evaluasi : metode evaluasi yang di terapkan

dalam SemEval2016 Task 2. Untuk matriks evaluasi

dilakukan perhitungan F1 atau F measure yang

digunakan untuk mengukur performansi dengan cara

membandingkan hasil dari sistem dengan manual

yang dibuat dari ahli. Untuk perhitungan F1 terlebih

dahulu dilakukan perhitungan presisi dan recall.


64


Untuk penelitian ini digunakan matriks evaluasi yang

sesuai dengan SemEval2016 Task 2. Pengukuran F1

dalam penelitian ini di bedakan menjadi dua yaitu

pengukuran F1 untuk sistem dan pengukuran F1 untuk

gold Chunk (dataset yang sudah di potong). Adapun

persamaan yang digunakan untuk perhitungan presisi,

recall dan juga F1 yaitu sebagai berikut.

Keterangan untuk persamaan diatas yaitu sebagai

berikut.

True Positive (TP) : Nilai yang akan

didapat ketika hasil prediksi true(bernilai 1) dan

nilai sebenarnya true(bernilai 1).

False Positive (FP) : Nilai yang akan didapat

ketika hasil prediksi true(bernilai 1) dan nilai

sebenarnya false(bernilai 0).

False Negative (FN) : Nilai yang akan

didapat ketika hasil prediksi false(bernilai 0) dan

nilai sebenarnya true(bernilai 1).

Ada empat pengukuran yang dilakukan dalam

evaluasi yaitu sebagai berikut.

- F1 Ali: dimana perhitungan tidak melibatkan

label keterhubungan dan skor, dengan kata lain

label keterhubungan dan skor diabaikan.

- F1 Type: dimana perhitungan hnaya

melibatkan label keterhubungan dan skor

diabaikan.

- F1 Score : dimana perhitungan hanya

melibatkan skor dan label keterhubungan

diabaikan.

- F1 Type+Score : di mana pengukuran

dilakukan berdasarkan kecocokan antara label

keterhubungan dan juga skor.


Gambaran Umum Sistem

Pada dasarnya sistem Interpretable STS yang

dibangun membutuhkan data inputan berupa

pasangan ayat yang terdiri dari data Qursim dan data

Indeks Tematik, selanjutnya data ini dibandingkan

dan dicari nilai kesamaan dan label keterhubungan

berdasarkan alignment antara kedua potong ayat

terjemahan tersebut. Selanjutnya sistem yang

dibangun mengeluarkan outputan berupa nilai

kesamaan dan jenis label yang dimiliki oleh kedua

potongan ayat terjemahan Alquran dalam terjemahan

bahasa Inggris berdasarkan alignment. Kemudian

sistem menampilkan jenis label yang ada berdasarkan

aturan label yang telah ditentukan dalam penelitian

ini. Setelah itu, sistem akan mengevaluasi

perhitungan nilai kesamaan yang dikelola oleh

sistem, dan di bandingkan dengan nilai gold standard

yang merupakan penilaian secara manual dari

perhitungan expert judgement. Sistem yang dibangun

dibagi menjadi dua yaitu sistem untuk chunking dan

sistem untuk Interpretable STS. Berikut alur proses

sistem untuk proses chunking.

Start

Data Indeks

Temantik

Data Pasangan

Ayat

Data Qursim

Preprocessing

Chunking

Data chunking pasangan ayat

End

EvaluasiGold

standard

Gambar 2 Alur proses chunking


65


Penjelasan mengenai tahapan dan proses pada

Gambar 2 adalah sebagai berikut.

1. Sistem membaca masukan yang berupa data

pasangan ayat Alquran terjemahan yang terdiri

dari data Qursim dan data indeks tematik.

2. Sistem melakukan preprocessing data seperti

melakukan menghilangkan simbol dan tanda

baca yang tidak diperlukan oleh data input

pasangan ayat Alquran terjemahan bahasa

Inggris.

3. Sistem melakukan pemotongan atau chunking

terhadap data input pasangan ayat Alquran

terjemahan bahasa Inggris.

4. Hasil dari proses chunking akan dilakukan

evaluasi dengan gold standard.

Sedangkan alur proses untuk Interpretable STS

sebagai berikut.

Start

Data chunking Pasangan

Ayat

Alignment

Pemberian Label Keterhubungan

Data Hasil pelabelan

dan pengukuran

End

Perhitungan kesamaan semantik

Evaluasi

Hasil Evaluasi

Gold Standard

Gambar 3 Alur proses ISTS

Adapun penjelasan untuk Gambar 3 yaitu sebagai

berikut.

1. Sistem membaca inputan data yang berupa

data chunking pasangan ayat Alquran

2. Data tersebut akan dilakukan proses

alignment.

3. Sistem memberikan label keterhubungan

4. Sistem memberikan skor kesamaan

5. Sistem akan melakukan evaluasi dengan

membandingkan hasil dari sistem dengan

gold standard

6. Sistem mengeluarkan hasil evaluasi sistem

yang berupa skor F1

Setelah dilakukan proses pengujian sistem maka

diperoleh hasil sebagai berikut.

Hasil pengujian ketepatan chunk

Pengujian dilakukan dengan cara membandingkan

nilai akurasi chunk level pada setiap data uji yang

terdiri dari data tematik, data Qursim dan data

gabungan antara data tematik dan data Qursim.

Gambar 4 Grafik akurasi chunk level

Perbandingan nilai akurasi dapat dilihat dari Gambar

4, dapat diketahui bahwa nilai akurasi antara ketiga

data. Data yang memiliki akurasi chunk level

tertinggi adalah data gabungan dari data Qursim dan

data indeks tematik. Akurasi untuk data gabungan

sebesar 0,88 atau 88%.


66


Hasil pengukuran F1

Gambar 5 Grafik pengukuran F1

Berdasarkan gambar grafik diatas untuk masing-

masing pengukuran F1 baik itu F1 Ali, F1 Type, F1

score, F1 Type+score. Data yang memiliki nilai F1

tertinggi adalah data Indeks Tematik sebesar 0,9299

untuk F1 Ali, 0,598 untuk F1 Type, 0,8241 untuk F1

score, 0,5977 untuk F1 Type+score. Hal ini

dikarenakan untuk data Indeks Tematik memiliki

karakteristik data yang lebih identik karena indeks

tematik merupakan data yang berdasarkan kesamaan

topik yang dimiliki. Pada grafik juga dapat diketahui

bahwa untuk F1 antara F1 Ali, F1 Type, F1 score, F1

Type+score yang memiliki nilai tertinggi adalah F1

Ali.

KESIMPULAN

Berdasarkan hasil pengujian dan analisis yang telah

dilakukan pada penelitian ini, dapat disimpulkan

bahwa :

1. Untuk menentukan kesamaan makna antar

potongan terjemahan ayat Alquran ada tahapan

proses yang dilakukan yaitu preprocessing data,

chunkinng, alignment, pemberian label

keterhubungan, pemberian skor kesamaan.

2. Untuk perbandingan Akurasi untuk proses

chunking berdasarkan chunk level dapat diketahui

bahwa akurasi paling tinggi adalah nilai akurasi

untuk data gabungan antara data Qursim dan data

indeks tematik.

3. Untuk perbandingan F1 antara F1 ali, F1

Type, F1 Score, F1 Type +Score dapat diketahui

bahwa F1 ali memiliki nilai paling tinggi diantara

F1 lainnya pada semua data uji yang dicoba. Hal

ini dikarenakan proses alignment merupakan

faktor penentu tinggi rendahnya nilai kesamaan

makna.

REFERENSI

[7]. Muhammad Sya'ban Al-Ha zh Abdul Aziz

Ahmad, M.Si. Robbani Al-Quran per Kata,

Tajwid Warna.

[8]. Abney, S. (1991). Parsing by Chunk s. In: Robert

Berwick, Steven Abney and Carol Tenny (eds.),

Principle-Based Parsing. Kluwer Academic

Publishers, Dordrecht.

[9]. Banjade Rajendra, dkk (2015). A System for

Measuring and Interpreting Semantic Textual

Similarity .In Proceedings of the 9th

International Workshop on Semantic Evaluation.

[10]. Eneko Agirre, Mona Diab, Daniel Cer, and

Aitor Gonzalez-Agirre. 2012. Semeval-2012 task

6: A pilot on semantic textual similarity. In

Proceedings of the First Joint Conference on

Lexical and Computational Semantics-Volume

1: Proceedings of the main conference and the

shared task, and Volume 2: Proceedings of the

Sixth International Workshop on Semantic

Evaluation, pages 385–393. Association for

Computational Linguistics.


67


[11]. Eneko Agirre, Daniel Cer, Mona Diab,

Aitor Gonzalez-Agirre, andWeiwei Guo. 2013.

sem 2013 shared task:Semantic textual

similarity, includin g a pilot on

typedsimilarity.In In* SEM 2013: The Second

Joint Conferenceon Lexical and Computational

Semantics. Association for Computational

Linguistics. Citeseer.

[12]. Eneko Agirre, Carmen Banea, Claire Cardie,

Daniel Cer, Mona Diab, Aitor Gonzalez-

Agirre,Weiwei Guo,Iigo Lopez-Gazpio, Montse

Maritxalar, Rada Mihalcea,German Rigau,

Larraitz Uria, and Janyce Wiebe.2015. SemEval-

2015 Task 2: Semantic Textual

Similarity,English, Spanish and Pilot on

Interpretability. In Proceedings of the 9th

International Workshop on Semantic Evaluation

(SemEval 2015), Denver, CO, June. Association

for Computational Linguistics.

[13]. Claudia Leacock and Martin Chodorow.

1998. Combininglocal context and wordnet

similarity for word sense identification.

WordNet: An electronic lexical database,

49(2):265–283.

[14]. Fellbaum, Christiane (2005). WordNet and

wordnets. In: Brown, Keith et al. (eds.),

Encyclopedia of Language and Linguistics,

Second Edition, Oxford: Elsevier, 665-670

[15]. Christiane Fellbaum. 1998. WordNet. Wiley

Online Library.

[16]. Dan Melamed. (1998) Manual annotation of

translational equivalence: The blinker project.

Technical Report 98-07, Institute for Research in

Cognitive Science, Philadelphia

[17]. Banjade, Rajendra, Nabin Maharjan, Nobal

B Niraula, and Vasile Rus. 2016. “DTSim at

SemEval-2016 Task 2 : Interpreting Similarity of

Texts Based on Automated Chunking , Chunk

Alignment and Semantic Relation Prediction,”

809–13.

[18]. Banjade, Rajendra, Nobal B Niraula, Nabin

Maharjan, Vasile Rus, Dan Stefanescu, Mihai

Lintean, and Dipesh Gautam. 2015. “NeRoSim:

A System for Measuring and Interpreting

Semantic Textual Similarity.” SemEval2015, no.

SemEval: 164–71.

[19]. Sharaf, M., and Eric S. Atwell. 2012.

“Qursim: A Corpus for Evaluation of

Relatedness in Short Texts.” 8th International

Conference on Language Resources and

Evaluation (LREC’12), no. January 2012: 2295–

2302. doi:10.13140/2.1.4007.0088.

[20]. Susanto, Alvin. 2008. “Penggunaan

Algoritma Hungarian Dalam Menyelesaikan

Persoalan Matriks Berbobot,” no. 10.


68


APLIKASI PERHITUNGAN REKAPITULASI DATA

ANGGARAN PENGOLAHAN LAHAN DAN AIR PADA DINAS

PERTANIAN DAN PERKEBUNAN PROVINSI NTT

Emerensiana Ngaga, Frengky Tedy

Program Studi Teknik Informatika, Fakultas Teknik

Universitas Katolik Widya Mandira Kupang

Jalan A. Yani No. 50-52 Kupang, NTT

[email protected], [email protected]

Abstrak

Di dalam Dinas Pertanian dan Perkebunan

terdapat bidang Sarana dan Prasarana khususnya

seksi Pengolahan Lahan dan Air yang mengurusi

pengolahan lahan, air dan perluasan areal. Seksi ini

bertugas menerima dan mengolah data yang masuk

dari berbagai kabupaten di NTT, menghitung data

anggaran serta merekap data anggaran yang telah

disusun. Sistem perhitungan rekapitulasi data

pengolahan lahan, air dan perluasan areal yang

masuk dari kabupaten – kabupaten yang selama ini

dilakukan belum optimal untuk mengelola

perhitungan data anggaran kegiatan karena hanya

mengolahnya dalam Microsoft Excel. Proses kerja

yang demikian kurang efisien karena bila data yang

diolah cukup banyak maka dapat mengakibatkan

terjadinya salah perhitungan rekapitulasi data serta

lambat karena harus menghitung data satu – persatu

dari seluruh kabupaten. Penelitian ini membuat

sebuah aplikasi perhitungan data rekapitulasi

anggaran pengolahan lahan dan air dengan

menggunakan metode pengembangan sistem Unified

Process. Aplikasi dibangun menggunakan bahasa

pemograman Java dengan databasenya MySQL.

Hasil dari penelitian ini adalah sebuah aplikasi yang

membantu kerja dari pegawai dalam merekapitulasi

data – data dalam perhitungannya dan menghasilkan

laporan anggaran per kabupaten, laporan anggaran

per kecamatan, laporan anggran per desa serta

laporan anggaran per kelompok tani sehingga

mengurangi tingkat kesalahan serta mempercepat

proses pelaporan rekapitulasi data anggaran

pengolahan lahan dan air.

Kata kunci :

Rekapitulasi data, Perhitungan, Pengolahan Lahan

dan Air, Unified Process.

Abstract

In the Department of Agriculture and

Plantation there are section Facility and

Infrastructure particularly the processing of Land

and Water in charge of land management, water and

expansion. This section is in charge of receiving and

processing incoming data from various districts in

NTT, calculating the budget data and recapitulate of

budget data that has been compiled. System data

summary calculation processing of land, water and

the expansion incoming of districts that has been

done has not been optimized to manage data

calculation process activity budget because only in

Microsoft Excel. Thus working process is less

efficient because when data is processed quite a lot of

it can lead to a miscalculation of data summary and

late because they have to calculate the data one by

one of the whole district. This study makes an

application of calculation the data recapitulation of

budget processing of land and water using Unified

Process system development. Applications built using

the Java programming language with MySQL

database. The result of this research is an application

that helps the work of the employees in recapitulating

the data in the calculation and generate the budget

report on each district, the budget report on each

sub-district, reports on each village and budget

reports on each farmer groups so as to reduce the

error rate and speed up the recapitulation reporting

process of land and water management budgets.

Keywords :




69


Data recapitulation, calculations, Land and Water

Processing, Unified Process.

I. PENDAHULUAN

Dampak pemanfaatan kemampuan teknologi

kini dapat dirasakan di berbagai lapisan masyarakat

yaitu dalam bidang pendidikan, kesehatan,

kemiliteran, pemerintahan, perusahaan, perindustrian

dan lainnya. Seiring perkembangan dunia teknologi

informasi dari waktu ke waktu mendorong setiap

individu ataupun institusi untuk menerapkannya

dalam segala aktivitasnya sehari-hari, sehingga

segala permasalahan yang ada dapat dengan cepat

diselesaikan mulai dari sekedar menulis sampai

melakukan perhitungan. Namun fenomena yang

terjadi masih terdapat banyak instansi yang

pekerjaannya masih belum memanfaatkan teknologi

informasi, hal ini mengakibatkan pekerjaan terasa

lambat dan hasilnya kurang maksimal.

Dinas Pertanian dan Perkebunan Provinsi Nusa

Tenggara Timur (NTT) adalah dinas yang mengurus

hal – hal yang berkaitan dengan pertanian dan

perkebunan yang ada di kabupaten – kabupaten yang

terdapat di provinsi NTT. Bidang Sarana dan

Prasarana khususnya Seksi Pengolahan Lahan dan

Air (PLA) merupakan salah satu seksi kerja pada

Dinas Pertanian dan Perkebunan Provinsi NTT yang

bekerja untuk mendata kegiatan pengolahan lahan

dan air dari setiap kabupaten yang ada di provinsi

NTT, menghitung data anggaran, merekap data

anggaran kegiatan yang telah disusun serta

menyerahkan data hasil rekapan yang telah dihitung

kepada pimpinan untuk ditindaklanjuti. Proses

pengolahan data yang selama ini dilakukan belum

menggunakan fasilitas komputer secara optimal

karena hanya menggunakan Microsoft Excel untuk

mengelola perhitungan data anggaran d2kegiatan

PLA. Hal ini mengakibatkan beberapa permasalahan

seperti dalam hal ketepatan waktu, sering terjadi

penundaan waktu yang cukup lama antara

ketersediaan informasi dengan kebutuhan akan

informasi. Dalam hal efisiensi, sering penyajian

informasi belum terpenuhi secara maksimal karena

kurangnya tenaga administrasi yang bertugas

mengumpulkan, mengolah dan menghitung

rekapitulasi data sehingga tentu saja ini juga

membutuhkan waktu yang tidak sedikit. Dalam hal

akurasi / ketepatan, sistem yang ada tidak menjamin

pemenuhan akurasi informasi secara memuaskan.

Masalah akurasi bergantung sepenuh pada orang

yang mengolahnya sehingga dengan demikian sangat

besar kemungkinan terjadinya kesalahan baik yang

disengaja maupun yang tidak disengaja. Jika semua

dikelola oleh semua staf yang ada maka terjadi

pemborosan tenaga dan dapat mengurangi pelayanan

Seksi PLA kepada petani yang membutuhkan

penyuluhan pengolahan lahan dan air. Selain itu

terjadi kesulitan dalam pencarian data pada dokumen

yang telah diarsipkan.

Menyadari perlunya untuk meningkatkan

kinerja pelayanan dinas ini maka perlu dioptimalkan

pula penggunaan sumber daya yang ada melalui

automatisasi sistem aplikasi perhitungan data

sehingga dapat membantu meningkatkan kinerja dan

mempermudah sistem kerja dari Bidang Sarana dan

Prasarana khusunya pada seksi PLA .


Sistem informasi akan lebih efektif dan efisien

dengan komputerisasi yang tepat. Semua pekerjaan

dapat dilakukan dengan cepat dan mudah, terlebih

untuk proses perhitungan anggaran. Beberapa

penelitian terkait aplikasi perhitungan telah banyak

dilakukan sebelumnya.

Penelitian [1] menghasilkan aplikasi

perhitungan estimasi biaya pembangunan rumah

tinggal berbasis android untuk memudahkan calon

pemilik rumah dalam menghitung estimasi biaya

bangunan tempat tinggal dengan 3 model perhitungan

yaitu model hitung otomasis, hitung denah dan hitung

detail yang konsisten. Penelitian [2] membuat suatu

aplikasi perhitungan pajak hotel berbasis web yang

dapat menghasilkan jumlah pajak hotel, tanggal jatuh

tempo, denda dan kelebihan secara online. Penelitian

[3] membuat aplikasi perhitungan pendapatan dan

perhitungan pajak restoran Kereta Api berbasis web

yang dapat menghitung pendapatan, menghitung

pajak restoran, jurnal, buku besar, laporan pedapatan

dan laporan pajak terutang dari restoran. Penelitian

[4] membangun aplikasi perhitungan biaya tenaga

kerja langsung berbasis web untuk memudahkan

dalam pembuatan kartu upah, perhitungan kasbon,

penghitungan upah tenaga kerja, pembuatan laporan

tenaga kerja, jurnal serta buku besar.

Penelitian saat ini juga membangun sebuah

aplikasi yang membantu perhitungan rekapitulasi

data anggaran pengolahan lahan dan air sehingga

membantu pegawai Dinas Pertanian dan Perkebunan

Provinsi NTT dalam penghitungan rekapan anggaran


70


PLA dari setiap kabupaten sehingga dapat

mengurangi kesalahan perhitungan serta

mempercepat waktu pelaporan.

Sistem Informasi

Sistem informasi merupakan sistem yang

mempuyai kemampuan untuk mengumpulkan

informasi dari semua sumber dan menggunakan

berbagai media untuk menampilkan informasi.

Sistem informasi adalah suatu sistem manusia / mesin

yang terpadu untuk menyajikan informasi guna

mendukung fungsi operasi, manajemen dan

pengambilan keputusan dalam organisasi. Sistem

informasi adalah (kesatuan) formal yang terdiri dari

berbagai sumber daya fisik maupun logika. Dari

organisasi ke organisasi, sumber daya ini disusun

atau distrukturkan dengan beberapa cara yang

berlainan, karena organisasi dan sistem informasi

merupakan sumber daya yang bersifat dinamis [5].

Sistem Informasi Manajemen

Sistem informasi manajemen merupakan suatu

sistem yang biasanya diterapkan dalam suatu

organisasi untuk mendukung pengambilan keputusan

dan informasi yang dihasilkan dibutuhkan oleh

semua tingkatan manajemen atau dengan kata lain

teknik pengelolaan informasi dalam suatu organisasi.

Sistem informasi manajemen memberikan dukungan

dalam penggunaan informasi atau perancangan

rangkaian alternatif tindakan, memutuskan untuk

memilih tindakan yang terbaik dari alternatif yang

tersedia dan melaksanakan pilihan dan mengawasi

hasil kegiatan [6].

Pengertian Rekapitulasi

Rekapitulasi merupakan ringkasan isi atau

ikhtisar pada akhir laporan atau akhir hitungan.

Rekapitulasi juga berarti pembuatan rincian data

yang bercampur aduk menurut kelompok utama [7].

Pengertian Anggaran

Anggaran merupakan suatu rencana yang

disusun secara sistematis, meliputi seluruh kegiatan

perusahaan, dinyatakan dalam unit (kesatuan)

moneter dan berlaku untuk jangka waktu (periode)

tertentu yang akan datang [8].


Analisis Sistem

Seksi PLA adalah unit pelaksana pembantu

pimpinan yang bertugas memberikan layanan tentang

pengolahan lahan dan air kepada petani. PLA adalah

salah satu bagian penting yang bisa diibaratkan

sebagai jantung dari Dinas Pertanian dan Perkebunan

NTT dimana hampir seluruh kegiatan Dinas

Pertanian dan Perkebunan NTT dikendalikan dari

sini. Salah satu kegiatan yang menjadi sentral dan

fokus dari unit ini adalah pengolahan lahan dan air

yang dimiliki oleh para petani. Dalam konteks ini,

tugas-tugas yang diemban oleh PLA antara lain :

1. Menerima dan mengolah data yang masuk dari

berbagai kabupaten di NTT.

2. Menghitung data anggaran.

3. Merekap data anggaran yang telah disusun.

4. Menyerahkan data hasil rekapan yang telah

dihitung kepada pimpinan untuk

ditindaklanjuti.

Cara kerja yang selama ini dipakai oleh PLA

untuk pengolahan data untuk menghasilkan informasi

belum sepenuhnya menggunakan fasilitas komputer

secara optimal sebagai alat kerjanya sehingga tidak

jarang menghadapi beberapa permasalahan antara

lain :

1. Dalam hal ketepatan waktu, sering terjadi

penundaan waktu yang cukup lama antara

ketersediaan informasi dengan kebutuhan akan

informasi.

2. Dalam hal efisiensi, sering penyajian informasi

belum terpenuhi secara maksimal karena

kurangnya tenaga administrasi yang bertugas

mengumpulkan, mengolah dan menghitung

rekapitulasi data sehingga tentu saja ini juga

membutuhkan waktu yang tidak sedikit.

3. Dalam hal akurasi / ketepatan, sistem yang ada

tidak menjamin pemenuhan akurasi informasi

secara memuaskan. Masalah akurasi

bergantung sepenuh pada orang yang

mengolahnya sehingga dengan demikian

sangat besar kemungkinan terjadinya


71


kesalahan baik yang disengaja maupun yang

tidak disengaja.

Hal – hal tersebut di atas merupakan masalah

yang harus diatasi agar kinerja Dinas Pertanian dan

Perkebunan NTT secara menyeluruh dapat

ditingkatkan khususnya dalam perhitungan

rekapitulasi data.

Perancangan Sistem

a. Use Case

Use Case Diagram menggambarkan

fungsionalitas yang diharapkan dari sebuah

sistem. Sebuah use case merepresentasikan

sebuah interaksi antara aktor dengan sistem.

Seorang/sebuah aktor adalah sebuah entitas

manusia atau mesin yang berinteraksi dengan

sistem untuk melakukan pekerjaan-pekerjaan

tertentu.

Operator

Pengolahan data

kabupaten

Pengolahan data

desa

Mencetak Laporan

Pengolahan data

kecamatan

Pengolahan data

kelompok_tani

Pengolahan data

alokasi_dana

Gambar 1. Use Case Diagram Kegiatan Rekapitulasi

Data

Use case diagram di atas menjelaskan fungsi dari

operator. Operator mempunyai tugas

mengidentifikasi data, mengelola data mulai dari

menambah, menyimpan, mengedit. menghitung, dan

merekap serta mencetak laporan kepada pimpinan.

b. Entity Relationship Diagram

Desa

Kabupaten

Kecamatan

Alokasi_Dana

Kelompok_Tani

Memiliki

Memiliki Memiliki

Memiliki

Nama_KecamatanKode_Kecamatan

Kode_Kabupaten Nama_Kabupaten

Nama_DesaKode_Desa

Nama_Kelompok_Tani

Kode_Kelompok_Tani

Kegiatan

Jumlah_dana

Dana_terpakaiSisa_dana

Tahun_Anggaran

Volume

1 N

1

N

1N

1

1

Kode_Kelompok_Tani

Gambar 2. Entity Relationship Diagram

IV. IMPLEMENTASI SISTEM

Implementasi Basis Data

Basis data yang digunakan dalam sistem ini

adalah MySQL untuk menampung semua data yang

diperlukan yang dibuat dalam beberapa tabel sebagai

berikut :

1). Tabel Kabupaten


72


Gambar 3. Struktur Tabel Kabupaten

2). Tabel Kecamatan

Gambar 4. Struktur Tabel Kecamatan

3). Tabel Desa

Gambar 5. Struktur Tabel Desa

4). Tabel Kelompok Tani

Gambar 6. Struktur Tabel Kelompok Tani

5). Tabel Alokasi Dana

Gambar 7. Struktur Tabel Alokasi Dana

Antar Muka Sistem

1). Tampilan Menu Utama

Tampilan form Menu pada saat membuka

sistem. Terdapat menu File, menu Rekap Data, menu

Laporan dan Exit unjtuk keluar dari aplikasi.

Gambar 8. Tampilan Menu Utama Sistem

2). Tampilan Form Kabupaten


73


Form ini dibuat untuk menginput data–data

kabupaten yang ada di provinsi NTT.

Gambar 9. Tampilan Form Input Data

Kabupaten

3). Tampilan Form Kecamatan


kecamatan yang ada di tiap kabupaten.


Kecamatan

4). Tampilan Form Desa

Form ini dibuat untuk menginput data–data desa

yang ada di tiap kecamatan.

Gambar 11. Tampilan Form Input Data Desa

5). Tampilan Form Kelompok Tani


kelompok tani yang ada di tiap desa.


Kelompok Tani

6). Tampilan Form Alokasi Dana


74



alokasi dana untuk setiap kelompok tani sehingga

secara otomatis aplikasi akan menghitung sisa

anggaran.

Gambar 13. Tampilan Form Input Data Alokasi

Dana

7). Tampilan Laporan Anggaran Per Kabupaten

Gambar 14. Tampilan Laporan Anggaran Per

Kabupaten

8). Tampilan Laporan Anggaran Per Kecamatan


Kecamatan

9). Tampilan Laporan Anggaran Per Desa


Desa

10). Tampilan Laporan Anggaran Per Kelompok Tani


75



Kelompok Tani

V. KESIMPULAN DAN SARAN

Dari hasil penelitian ini dapat diambil beberapa

kesimpulan yaitu :

1. Aplikasi yang dibuat dapat menggantikan proses

pendataan yang selama ini secara manual ke

suatu sistem yang lebih teratur dan

terkomputerisasi.

2. Aplikasi yang dibuat sangat membantu pemakai

dalam memonitoring data–data kabupaten

kecamatan, desa, kelompok tani dan

pengalokasian dana.

3. Dengan adanya aplikasi perhitungan rekapitulasi

data yang dibuat ini dapat membantu

meningkatkan kinerja dan mempermudah sistem

kerja dari Bidang Sarana dan Prasarana

khususnya pada seksi PLA dalam mengolah dan

menghitung data-data yang masuk secara cepat

dan akurat.

.Disarankan kedepannya sistem ini

dikembangkan lebih lanjut dengan menambahkan

proses perhitungan anggaran kebutuhan bibit padi

untuk penanaman.

REFERENSI

[1] Wijiyono, Utomo, V., G., “Aplikasi

Perhitungan Estimasi Biaya Pembangunan

Rumah Tinggal Berbasis Android”, Jurnal

Teknologi Informasi dan Komunikasi, Vol. 6,

No. 2, ISSN : 2087-0868, September 2015.

[2] Nanda, Alfitrya, Samaji, Iji, Setiawan, C., R.,

K., “Aplikasi Perhitungan Pajak Hotel

Berbasis Web,” e-Proceeding of Applied

Science, Vol. 1, No. 3, ISSN : 2442-5826,

Desember 2015.

[3] Ivananda, Fajri, Samaji, Iji, Yanuar, Yudhi

“Aplikasi Perhitungan Pendapatan dan

Perhitungan Pajak Restoran Kereta Api

Berbasis Web,” e-Proceeding of Applied

Science, Vol. 1, No. 3, ISSN : 2442-5826,

Desember 2015.

[4] Simamora, Rina, Samaji, Iji, Sinaga, Ardiles

“Pembangunan Aplikasi Perhitungan Biaya

Tenaga Kerja Langsung Berbasis Web,” e-

Proceeding of Applied Science, Vol. 1, No. 3,

ISSN : 2442-5826, Desember 2015.

[5] Husda, Elfi, Nur, Pengantar Teknologi

Informasi, Cetakan Pertama, Jakarta :

Boduose, 2012.

[6] Sutrabi, Tata, Sistem Informasi Manajemen

(Edisi Revisi), Yogyakarta : Andi Offset, 2016.

[7] Kamus Besar Bahasa Indonesia. Kamus Besar

Bahasa Indonesia Website. [Online].

http://www.kbbi.web.id/rekapitulasi

[8] Mulyadi, Sistem Akuntansi, Edisi Keempat,

Jakarta : Salemba Empat, 2016.

[9] Pressman, R., S., Software Engineering,

Sevent Edition, Mc Graw-Hill International

Edition, 2010.

[10] Al Fatta, Hanif, Analisis dan Desain Sistem

Informasi, Yogyakarta : Andi, 2007.

[11] Huda, Miftakhul, Nugroho, Bunafit, Membuat

Aplikasi Database dengan MySQL dan

Netbeans, Jakarta : PT Elex Media

Komputindo, 2010.

[12] (2016) Netbeans website. [Online]. Available:

http://www.netbeans.org/

[13] Nugroho, Adi, Perancangan dan Implementasi

Sistem Basis Data, Yogyakarta : Andi, 2011.

[14] Kurniawan, Eko, Belajar Java Dasar, Jakarta

: PT Elex Media Komputindo, 2011.

http://www.kbbi.web.id/rekapitulasi


76


[15] Yakub, Pengantar Sistem Informasi,

Yogyakarta : Graha Ilmu, 2012.

[16] Jogiyanto, Hartono, Model Kesuksesan Sistem

Teknologi Informasi, Yogyakarta : Andi,

2007.


77
