23

BAB 3

ANALISA DAN PERANCANGAN SISTEM

1.1 Analisa Masalah

Mesin pencari yang sudah ada dan banyak digunakan saat ini

memberikan hasil perolehan pencarian yang banyak (banyak dokumen yang

terambil), sehingga diperlukan waktu untuk menentukan hasil pencarian yang

relevan. Menentukan hasil yang relevan sesuai dengan keinginan user dengan

jumlah hasil pencarian yang banyak akan menyulitkan user. Selain itu,

dokumen yang tidak mengandung queri dari inputan user tidak akan

ditampilkan walaupun makna queri dari user dengan yang ada di dalam

dokumen sama. Sehingga memungkinkan banyaknya dokumen tidak relevan

yang terambil.

Penelitian ini tidak hanya menggunakan metode cosine similiarity

untuk mengukur kemiripan query dengan koleksi resensi buku, tetapi juga

menggunakan Wordnet untuk mengukur semantic similarity antar kata

(term).

1.2 Desain Sistem

Berikut adalah desain system pada penelitian ini, dimulai dari document

collecting, preprocessing yang meliputi Case Folding, Tokenizing, Filtering,

dan Stemming, kemudian dilakukan proses indeks term (kata). Hasil proses

indeks akan disimpan dalam file txt selanjutnya akan dilakukan proses hitung

similaritas antar dokumen dengan query serta mengukur keterkaitan makna

antar kata berdasarkan korpus WordNet, kemudian hasil tersebut ditampilkan

pada halaman hasil pencarian. Output yang dihasilkan adalah resensi buku

yang relevan dengan kata kunci yang diinputkan pengguna.

24

Gambar 0.1 Desain Sistem Sistem Pencari Resensi Buku

1.3 Data Penelitian

Data yang digunakan dalam penelitian ini merupakan data resensi buku

yang didapat dari hasil crawling secara manual terhadap website

buku.enggar.net, www.lensabuku.com, dan www.koran-jakarta.com. Data

yang dikumpulkan berjumlah 250 resensi buku. Data resensi buku disimpan

dalam bentuk korpus berformat .txt. Berikut contoh data resensi buku seperti

pada Tabel 3.1.

Tabel 0.1 Contoh Data Resensi Buku

Manajemen Diri yang Baik Bantu Raih Kesuksesan

Meraih kesuksesan dalam hidup merupakan cita-cita setiap manusia. Hanya,

setiap manusia memiliki jalan sukses masing-masing. Namun semua perlu

memiliki kemampuan manajemen diri yang baik. Pada banyak kesempatan,

manajemen diri akan membantu menyelesaikan banyak pekerjaan dalam waktu

terbatas.

Judul : Listful Thinking

Penulis : Paula Rizzo

Penerbit : Tiga Serangkai

25

Terbit : Cetakan 1, 2016

Tebal : 216 halaman

Meraih kesuksesan dalam hidup merupakan cita-cita setiap manusia. Hanya,

setiap manusia memiliki jalan sukses masing-masing. Namun semua perlu

memiliki kemampuan manajemen diri yang baik. Pada banyak kesempatan,

manajemen diri akan membantu menyelesaikan banyak pekerjaan dalam waktu

terbatas.

Namun tidak dipungkiri, sifat keterbatasan manusia khususnya dalam daya ingat

menjadikan penghalang, sehingga banyak agenda, tugas, dan pekerjaan

terlewatkan. Salah satu cara meminimalkan kekurangan tersebut orang perlu

membuat daftar tugas atau pekerjaan.

Daftar ini akan memaksimalkan manajemen, sehingga hidup lebih efektif dan

produktif. Buku ini menarasikan secara cermat dan menyeluruh cara membuat

daftar tugas yang baik serta efektif. Buku bersumber dari pengalaman penulis di

berbagai perjalanan karier mulai dari produser program kesehatan senior

FoxNews.com, Fox Channel, hingga pendirian situs ListProducer.com. Karier

Paula semakin sempurna kala meriah pemenang Emmy Award.

Manfaat paling nyata daftar tugas dan pekerjaan, menjauhkan dari rasa gelisah,

meningkatkan kekuatan otak, fokus, rasa percaya diri, dan sistematika pikiran

(hal 12). Selain itu, Dr Gail Mathews, profesor di Dominican University of

California, menuliskan target berkontribusi terhadap 33 persen keberhasilan.

Menurut Paula ada beberapa tahap membuat daftar tugas agar efektif. Misalnya,

diawali dengan menuliskan tugas atau pekerjaan sebagai pengingat saat lupa

tugas. Gunakan kalimat tindakan bukan keterangan saat membuat daftar.

Tulislah daftar secara bebas, tanpa terlalu risau dengan format atau urutan

tertentu. Tulis saja sesuai keinginan (hal 52).

Kemudian sistemkan daftar tersebut. Lalu dibagi dalam beberapa kategori seperti

pekerjaan, rumah, dan anak-anak. Pengklasifikasian ini untuk mencegah

kebingungan saat akan mengeksekusi tugas. Buatlah daftar berbeda untuk tuga

26

lain. Cara ini akan memudahkan memahami situasi. Buatlah prioritas, bisa

berdasarkan waktu tenggat atau pentingnya tugas tersebut (hal 54).

Lakukan evaluasi daftar kembali. Bisa jadi ada beberapa yang kurang penting

telah masuk daftar. Dalam membuat daftar tugas harus realistis sesuaikan dengan

kemampuan dan potensi diri. Jangan terlalu memaksakan kehendak. Realistis itu

tidak mudah. Jadikan daftar yang jelas dan spesifik. Ini akan membantu

mempermudah serta mengefisiensikan tugas.

Tentukan tenggat waktu dari setiap daftar tugas dan selalu ingatkan baik dengan

catatan kecil atau alarm. Letakkan catatan tugas di setiap tempat atau area yang

sering dikunjungi, sehingga selalu ingat tugas. Dengan begitu kita akan lebih

produktif memanfaatkan waktu dan tenaga (hal 59).

Buku ini menyajikan manajemen diri tidak hanya secara teoritis. Ada beragam

tips dan kisah pada setiap bab sehingga padu padan antara teori dan praktik.

Selain itu, metode ini sudah banyak diaplikasikan. Di antaranya, Marissa Mayer,

CEO Yahoo.

1.4 PreProcessing Data

Tahapan preprocessing yang digunakan dalam penelitian ini adalah

case folding, tokenizing, filtering, dan stemming. Skema sistem yang akan

dibangun sesuai dengan Gambar 3.1.

Gambar 0.2 Skema Preprocessing Data

27

1.4.1 Case Folding

Case Folding yaitu mengubah semua huruf dalam dokumen menjadi huruf

kecil. Karakter selain huruf akan dihilangkan dan dianggap delimiter.

Gambar 0.3 Skema Case Folding

1.4.2 Tokenizing

Tokenizing yaitu tahap pemotongan atau pemecahan kalimat berdasarkan

tiap kata yang menyusunnya.

Gambar 0.4 Skema Tokenizing

1.4.3 Filtering

Filtering yaitu tahap mengambil kata-kata penting dari hasil tahap

tokenizing. Filtering dapat dilakukan dengan menghilangkan stoplist atau stopword

(kata-kata yang tidak memiliki nilai deskriptif).

Gambar 0.5 Skema Filtering

Data yang dibutuhkan dalam proses menghilangkan Stop Word merupakan

data Stop word list. Stop word list berisi 758 kata bahasa Indonesia dan disimpan

ke dalam bentuk .txt. Data stopword list didapat dari site github.com/masdevid/ID-

Stopwords. Tabel 3.2 berikut merupakan contoh dari stop word list:

28

Tabel 0.2 Contoh Stop Word List

No Stop Word Lists

1 abstrak

2 abstraksi

3 ada

4 adalah

5 adanya

6 adapun

1.4.4 Stemming

Stemming yaitu sebuah proses untuk menemukan kata dasar dari sebuah

kata. Proses Stemming digunakan untuk mengubah term yang masih melekat dalam

term tersebut awalan, sisipan, dan akhiran. Proses stemming dilakukan dengan cara

menghilangkan semua imbuhan (affixes) baik yang terdiri dari awalan (prefixes),

sisipan (infixes), akhiran (suffixes) dan confixes (kombinasi dari awalan dan

akhiran) pada kata turunan. Stemming digunakan untuk mengganti bentuk dari

suatu kata menjadi kata dasar dari kata tersebut yang sesuai dengan struktur

morfologi bahasa Indonesia yang benar.

Gambar 0.6 Skema Stemming

Data yang dibutuhkan untuk proses stemming adalah data kata dasar. Data

kata dasar sudah tersedia bersama dengan library sastrawi. Data tersebut berisi

30.139 kata dasar berbahasa Indonesia dan disimpan dalam bentuk .txt. Tabel 3.3

berikut merupakan contoh data kata dasar:

Tabel 0.3 Contoh Kata Dasar

No Kata Dasar

1 aba

2 aba-aba

29

3 abad

4 abadi

5 abadiah

6 abah

1.5 Indexing

Setelah Tahap preprocessing, tahap selanjutnya yaitu pengindeksan

(indexing) untuk mempercepat proses pencarian. Term disimpan dalam dua file txt,

file yang menyimpan frekuensi term (file index) dan file yang menyimpan

document frekuensi dari term (file df). Tabel 3.4 merupakan contoh struktur file

yang menyimpan frekuensi term (file index).

Tabel 0.4 Contoh struktur file index

Term Nama document Frequency

Orang 5W1H.txt 2

Sukses 5W1H.txt 1

Bantu 5W1H.txt 4

hidup 5W1H.txt 8

Sedangkan struktur file yang menyimpan document frekuensi dari term (file df)

dapat dilihat pada Tabel 3.5 dibawah ini:

Tabel 0.5 Contoh Struktur File df

Term df

Orang 20

Sukses 15

Bantu 45

hidup 10

1.6 Term Weighting

Term wieighting yang digunakan dalam penelitian ini adalah TF-IDF atau

Term Frequency (TF) dan Inverse Document Frequency (IDF). TF-IDF merupakan

dasar dari skema pembobotan istilah yang paling populer di pemerolehan informasi.

Perhitungan term frequency (𝑡𝑓) dan Inverse Document Frequency (𝑖𝑑𝑓),

menggunakan persamaan (3) dan persamaan (4) pada bab 2.

30

Perhitungan 𝑖𝑑𝑓𝑖 digunakan untuk mengetahui banyaknya term yang dicari

(𝑑𝑓) yang muncul dalam dokumen lain yang ada pada korpus [1]. Berikut adalah

skema proses Term Weighting pada Gambar 3.6.:

Gambar 0.7 Skema Proses Term Weighting

1.7 Generalized Vector Space Model (GVSM)

Generalized Vector Space Model (GVSM) merupakan metode yang

digunakan untuk menggabungkan hasil perhitungan semantic relatedness

menggunakan WOrdNet dan cosine similarity. Gambar 3.9 merupakan

gambar proses Generalized Vector Space Model (GVSM). Perhitungan

GVSM menggunakan persamaan (6) pada bab 2.

Gambar 0.8 Skema Generalized Vector Space Model

31

1.8 Perhitungan Cosine Similarity

Perhitungan cosine similarity dilakukan setelah proses pembobotan TF-IDF.

Cosine similarity berperan penting dalam perangkingan resensi buku berdasarkan

input query dari user. Perhitungan cosine similarity dapat menggunakan perumusan

(1) pada bab 2.

Gambar 0.9 Skema Proses Cosine Similarity

1.9 WordNet Bahasa

WordNet Bahasa digunakan dalam menghitung kemiripan semantik antar

term. Data WordNet Bahasa didapat dari http://wn-msa.sourceforge.net/.

Data yang digunakan hanya kategori bahasa dan Indonesia, serta goodness

yang digunakan Y (hand checked and good), O (automatic high quality

(good)) dan M (automatic medium quality (ok)). Sehingga jumlah data yang

didapat sebanyak 122.988 baris. Untuk menghitung kemiripan semantic

menggunakan perumusan semantic relatedness pada bab 2 persamaan (7),

(8), dan (9) berdasarkan situasi antar term terhadap WordNet Bahasa. Hasil

perhitungan tersebut akan berpengaruh pada resensi buku yang ditampilkan.

Berikut contoh data WordNet.

Tabel 0.6 Data WordNet Bahasa

00001740-a B O berdaya

00001740-a B O keahlian

00001740-a B O layak

00001740-a B O mahir

00001740-n B O hakikat

00001740-n B O keberadaan

00001740-n B O kewujudan

32

Dibawah ini merupakan skema WordNet Bahasa yang digunakan dalam

penelitian ini:

Gambar 0.10 Skema WordNet Bahasa

1.10 Perancangan Interface

1.10.1 Halaman Upload Resensi Buku

Halaman ini terdapat button untuk memilih dan mensubmit resensi buku.

Pada halaman ini juga terdapat 2 menu, jika user ingin berpindah halaman

ke menu yang lainnya

33

Gambar 0.11 Halaman Menu Resensi Buku

1.10.2 Halaman Preprocessing Buku

Halaman preprocessing resensi buku merupakan sebuah halaman proses

awal sebelum resensi buku siap untuk di index. Pada halaman ini terdapat

proses case folding, tokenizing, dan stopword removal. Pada halaman ini

juga terdapat button untuk menginputkan file yang akan diproses.

Gambar 0.12 Halaman proses Case Folding, Tokenizing, dan Stopword

Removal

34

Pada Gambar 3.9 merupakan halaman untuk hasil proses stopword removal

dan terdapat button untuk proses stemming.

Gambar 0.13 Halaman Hasil Stopword Removal dan proses Stemming

Pada Gambar 3.10 merupakan halaman untuk hasil proses stemming dan

terdapat button untuk menyimpan hasil preprocessing ke dalam format .txt.

dimana file tersebut akan digunakan untuk proses indexing.

Gambar 0.14 Halaman Hasil Stemming

35

1.10.3 Halaman Indexing Resensi Buku

Halaman ini terdapat button untuk memasukkan file. File tersebut akan

diindex dan disimpan ke dalam file .txt yang akan digunakan untuk

mempermudah dalam proses perhitungan cosine similarity.

Gambar 0.15 Halaman Indexing Resensi Buku

1.10.4 Halaman Pencarian Resensi Buku

Halaman pencarian resensi buku merupakan halaman utama. Pada halaman

ini terdapat proses akhir yaitu perhitungan cosine similarity, wordnet, dan

perangkingan.

36

Gambar 0.16 Halaman Pencarian Resensi Buku

1.11 Perancangan Pengujian

1.11.1 Evaluasi Precision dan Recall

Pengujian kemampuan system pada penelitian ini akan dilakukan dengan

menghitung nilai precision dan recall berdasarkan output resensi buku yang

dihasilkan. Pengujian ini dilakukan dengan menginputkan beberapa query

atau keyword pada system. Hasil jumlah dokumen yang relevan dari

keseluruhan resensi buku yang terambil ditentukan secara manual oleh user.

Dari hasil tersebut kemudian akan dihitung berapa nilai precision dan recall

dari query yang diinputkan.