PROPOSAL TUGAS AKHIR

AUTOMASI PENILAIAN ESAI TERINTEGRASI PADA

SISTEM ELEARNING MOODLE DENGAN

KONSEP SIMILARITY RABIN KARP

IDA BAGUS KOMANG WINDUYASA

NIM. 1208605014

JURUSAN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS UDAYANA

DENPASAR

2015

2

LEMBAR PENGESAHAN PROPOSAL TUGAS AKHIR

Judul : Automasi Penilaian Esai Terintegrasi pada Sistem Elearning

Moodle dengan Konsep Similarity Rabin Karp

Kompetensi : Rekayasa Perangkat Lunak

Nama : Ida Bagus Komang Winduyasa

NIM : 1208605014

Tanggal Seminar : Selasa, 7 Juli 2015

Disetujui Oleh :

Pembimbing 1

Agus Muliantara, S.Kom, M.Kom

NIP. 198006162005011001

Penguji 1

I Putu Gede Hendra Suputra, S.Kom., M.Kom.

NIP. 198812282014041001

Penguji 2

I Made Widhi Wirawan, S.Si, M.Cs

NIP. 197511052005011004

Mengetahui

Ketua Jurusan

Drs. I Wayan Satiyasa, M.Si.

NIP. 196704141992031002

3

Kata Pengantar

Proposal penelitian dengan Automasi Penilaian Essay Dengan Konsep Similarity Rabin

Karp Terintegrasi Sistem Elearning Moodle ini disusun dalam rangkaian kegiatan pelaksanaan

Tugas Akhir di Jurusan Ilmu Komputer F.MIPA UNUD. Proposal ini disusun dengan harapan

dapat menjadi pedoman dan arahan dalam melaksanakan penelitian di atas.

Sehubungan dengan telah terselesaikannya proposal ini, maka diucapkan terima kasih

dan penghargaan kepada berbagai pihak yang telah membantu pengusul, antara lain:

1. Bapak-bapak dan ibu-ibu dosen di Jurusan Ilmu Komputer, - khususnya Bapak

Agus Muliantara yang telah meluangkan waktu turut memberikan saran dan

masukan dalam penyempurnaan proposal ini;

2. Kawan-kawan di Jurusan Ilmu Komputer yang telah memberikan dukungan moral

dalam penyelesaian proposal ini.

Disadari pula bahwa sudah tentu proposal ini masih mengandung kelemahan dan

kekurangan. Memperhatikan hal ini, maka masukan dan saran-saran penyempurnaan sangat

diharapkan.

Bukit Jimbaran, 14 Mei 2015

Penulis

4

Daftar Isi

LEMBAR PENGESAHAN PROPOSAL TUGAS AKHIR ...................................................... 2

Kata Pengantar ........................................................................................................................... 3

Daftar Isi .................................................................................................................................... 4

1. Latar Belakang ................................................................................................................... 6

2. Rumusan Masalah .............................................................................................................. 7

3. Batasan Masalah ................................................................................................................ 8

4. Tujuan Penelitian ............................................................................................................... 8

5. Manfaat penelitian ............................................................................................................. 9

6. Tinjauan Pustaka Dan Dasar Teori .................................................................................... 9

6.1. Ujian Esai .................................................................................................................... 9

6.2. Sistem Elearning Moodle .......................................................................................... 10

6.3. Text Mining ............................................................................................................... 10

6.3.1. Information Retrival........................................................................................... 10

6.3.2. Text Preprocessing ............................................................................................. 11

6.4. String Matching ......................................................................................................... 11

6.4.1. Algoritma String Matching Rabin Karp ............................................................ 12

6.4.2. Modified Rabin Karp Algorithm ....................................................................... 14

7. Metode Penelitian ............................................................................................................ 16

7.1. Bahan dan Lokasi Penelitian ..................................................................................... 16

7.2. Metode Pengumpulan Data ....................................................................................... 16

7.3. Metode Pengembangan Perangkat Lunak ................................................................. 16

7.4. Design Penelitian....................................................................................................... 17

7.4.1. Diagram Konteks dan Data Flow Diagram Sistem ............................................ 17

7.4.2. Tahap Preprocessing .......................................................................................... 20

7.4.2.1. Case Folding dan Tokenizing ......................................................................... 20

5

7.4.2.2. Filtering .......................................................................................................... 21

7.4.2.3. Stemming ....................................................................................................... 21

7.4.3. Tahap Processing Algoritma Rabin Karp .......................................................... 28

7.4.3.1. K-Gram Parsing.............................................................................................. 28

7.4.3.2. Hashing........................................................................................................... 29

7.4.4. Arsitektur Integrasi Sistem Moodle dan Automasi Esai .................................... 30

7.4.5. Penambahan Modul pada Moodle ..................................................................... 31

8. Uji Coba ........................................................................................................................ 32

8.1. Skenario Uji Coba ................................................................................................. 32

9. Jadwal Pelaksanaan Penelitian ...................................................................................... 33

Daftar Pustaka .......................................................................................................................... 35

6

1. Latar Belakang

Dengan kemajuan teknologi informasi, dunia pendidikan pun mengalami kemajuan.

Proses belajar mengajar menjadi lebih mudah dan bervariatif dengan teknologi teknologi yang

canggih. Begitu pula pada proses evaluasi pembelajaran. Evaluasi pembelajaran dilakukan

untuk menguji pemahaman siswa terhadap materi pelajaran yang didapatkan, evaluasi adalah

proses mengukur hasil belajar dengan menggunakan informasi. Di Indonesia, ada beberapa

cara dalam evaluasi hasil belajar mengajar. Saat ini yang biasa digunakan adalah evaluasi

dengan metode obyektif (opsional) dan esai.

Esai adalah alat pengujian untuk menilai kemampuan pengetahuan, pengembangan ide

–ide dan kemampuan untuk mengingat sebuah pengetahuan. Dalam penggunaanya, esai

memiliki karakteristik yang lebih spesifik dibandingkan dengan metode opsional yang bersifat

obyektif. Metode esai melibatkan kemampuan untuk mengingat, mengorganisasikan,

mengekspresikan dan mengintegrasikan serta mengembangkan gagasan yang dimiliki siswa

berdasarkan pengetahuan yang dimiliki. Namun, penggunaan esai memiliki kekurangan dalam

penilaiannya. Pemeriksaan esai membutuhkan waktu yang lebih lama dibandingkan teknik lain

karena sebagian besar dilakukan secara manual dan dibaca satu persatu. Belum lagi perbedaan

pemahaman terhadap maksud dari jawaban esai sehingga perbedaan persepsi juga berpengaruh

pada penilaian esai. Semakin banyak jumlah ujian yang dinilai kualitas penilaian semakin

menurun.

Penelitian text mining terkait automasi penilaian esai sebelumnya sudah pernah

dilakukan. Penelitian text mining dapat dilakukan dengan menggunakan algoritma string

matching seperti Naïve String Matching , Rabin Karp, Boyer-Moore, KMP, Comments –

Walter, Set Backward Oracle Matching (SBOM/BOM) dan lainnya. Pada Naïve String

Matching kompleksitas waktu proses pencocokan string sangat tinggi, dan membuat perfoma

dari algoritma ini lamban (Akhtar- Tiwari-Gunjan-Khare, 2012). Sementara itu Boyer Moore

adalah algoritma pencocokan string yang bersifat single pattern bukan multi pattern. Berbeda

dengan Boyre-Moore, Comments –Walter adalah pengembangan dari Boyre-Moore yang dapat

digunakan pada multi-pattern string. KMP dikenal sebagai algoritma untuk pencarian string

dengan kompleksitas yang kecil namun efektifitasnya berkurang jika jumlah karakter dari teks

cukup banyak. BOM adalah algoritma pencocokan string yang menggunakan factor oracle

untuk pencocokan string dan bekerja terbalik dari bagian akhir pattern (backward) (Leena-

Tarhio-Kytojoki, 2006) .

7

Pada penelitian oleh Leena Salmela, Jorma Tarhio, Jari Kytojoki(2006) dalam jurnal

berjudul Multi-pattern string matching with q-grams dikatakan bahwa dari algoritma diatas,

Rabin Karp baik digunakan pada pencocokan string dengan jumlah pola 1.000 sampai dengan

10.000 pola dan SBOM baik digunakan pada 10.000 lebih pola. Setelah dibandingkan dengan

algoritma lainnya, Rabin Karp adalah algoritma dengan runtime yang cepat dan membutuhkan

kapasitas memori yang lebih kecil dari BOM. Dalam jurnal RB Matcher String Matching

Technique (Singh-Kochar, 2008) membuktikan bahwa algoritma Rabin Karp yang asli dan

yang telah dimodifikasi memiliki nilai akurasi nilai similaritas yang relative sama, tetapi

algoritma Rabin Karp yang dimodifikasi memiliki waktu proses yang lebih cepat dibandingkan

algoritma asli.

Penelitian sejenis dengan menggunakan algoritma Rabin Karp yang telah dimodifikasi

juga sudah pernah dilakukan oleh Lanang Septiadi Putra (2013), yakni penelitian tentang

perancangan dan implementasi text mining menggunakan algoritma Rabin-Karp pada aplikasi

pencarian dokumen referensi tugas akhir. Pada penelitian tersebut juga menggunakan algoritma

Rabin Karp namun algoritma yang digunakan adalah algoritma Rabin Karp yang telah

dimodifikasi. Hasil yang didapat dalam penelitian Lanang membuktikan bahwa Rabin Karp

baik digunakan untuk pencocokan string dan memiliki akurasi yang baik pula bahkan lebih

baik dari algoritma aslinya.

Dalam penelitian ini penulis akan membuat aplikasi yang mampu mengolah dan

menentukan tingkat kesamaan jawaban esai dengan kuncinya serta dapat memberikan hasil

proses yang baik dengan algoritma yang digunakan adalah algoritma Rabin Karp yang

dimodifikasi untuk meningkatkan akurasi serta mengefektifkan dan mengefisiensi kerja

algoritma sistem. Aplikasi ini kemudian akan diintegrasikan dengan sistem Elearning Moodle,

yakni sebuah system elearning open source yang menyediakan proses evaluasi esai. Sistem

Moodle akan menjadi aplikasi input yang menampilkan soal serta menampung jawaban dari

pelajar. Untuk kunci jawaban akan diinputkan pada sistem automasi penilaian. Kemudian

jawaban jawaban pelajar akan diproses oleh aplikasi automasi penilai esai untuk dinilai

kesamaannya dengan kunci jawaban.

2. Rumusan Masalah

Berdasarkan latar belakang yang dijabarkan sebelumnya, adapun rumusan masalah

dalam penelitian ini adalah :

8

1. Bagaimana membangun sebuah sistem yang merupakan implementasi fungsi text

mining menggunakan algoritma Rabin-Karp yang dapat melakukan penilaian

terhadap jawaban essay dalam proses pembelajaran terintegrasi dengan Sistem

Elearning Moodle?

2. Bagaimana pengaruh preproses K-Gram Parsing terhadap nilai similaritas yang

didapat system jika digunakan nilai K-Gram yang berbeda?

3. Berapakah nilai K-Gram dalam K-Gram Parsing yang optimal untuk digunakan

dalam system?

3. Batasan Masalah

Berikut ini adalah batasan masalah dari penelitian.

1. Penelitian akan difokuskan untuk mendeteksi kesamaan jawaban esai dengan kunci

jawaban tersedia.

2. Algoritma yang digunakan untuk pendeteksian kesamaan dokumen adalah algoritma

text mining yakni Rabin Karp yang telah dimodifikasi dengan gabungan beberapa

metode preproses.

3. Penilaian esai dapat ditentukan berdasarkan tingkat kesamaan dalam penggunaan

kata-kata yang muncul secara berurutan dalam jawaban dan kunci jawaban bukan

makna dari jawaban.

4. Penelitian ini tidak berfokus pada kata yang memiliki kesamaan makna atau

bersinonim.

5. Penelitian ini tidak membahas tentang pengejaan dan penulisan yang berbeda

dengan kaidah Ejaan Yang Disempurnakan.

6. Objek penelitian adalah esai dengan struktur teks murni yang tidak mengandung

symbol, rumus atau persamaan matematis dan sejenisnya

4. Tujuan Penelitian

Adapun tujuan dari penelitian ini adalah membangun sistem yang dapat memberikan

nilai terhadap sebuah jawaban esai yang dapat digunakan sebagai referensi penilaian esai dalam

proses evaluasi pembelajaran secara manual serta mengetahui nilai optimal K-gram yang

memberikan akurasi terbaik.

9

5. Manfaat penelitian

Manfaat dari penelitian ini antara lain :

1. Memberikan kemudahan kepada pengajar dalam melakukan penilaian terhadap

soal soal esai dalam proses evaluasi pembelajaran dengan penilaian yang

konsisten terhadap jawaban dari esai yang diberikan,

2. Mengurangi waktu yang dibutuhkan untuk melakukan penilaian terhadap

jawaban esai.

6. Tinjauan Pustaka Dan Dasar Teori

6.1. Ujian Esai

Tes Esai sudah sangat populer, terutama di kalangan pendidikan. Penggunaannya

dimulai tahun 2300 SM di Cina, dan hanya bentuk tes tersebut yang digunakan selama berabad-

abad. Kepopuleran tes esai cukup beralasan, karena kemudahannya. Berkebalikan dengan tes

obyektif tes esai mudah untuk menyiapkannya, namun sulit untuk memeriksa jawabannya.

Dalam penelitiannya, Siswanto (2006) mengatakan jawaban yang diberikan pada soal

tes esai lebih baik karena jawaban yang diberikan menyediakan petunjuk tentang bentuk dan

kualitas pemikiran pelajar. Hal itu dikarenakan jawabannya tidak disediakan, akan tetapi digali

dari pengetahuan dan fakta-fakta serta prinsip yang diketahui pelajar kemudian dikembangkan

dan diatur secara logis dan koheren dan diekspresikan sesuai pemahaman pelajar. Penilaian

esai dilakukan dengan melihat karakteristik dari jawaban yang disajikan, bukan dilihat dari

sebrapa panjang jawaban pelajar. Karakteristik jawaban esai digunakan untuk mengukur

pemikiran kritis dari pelajar, keaslian serta kemampuan mengatur dan menggabungkan

pengetahuan yang dimiliki. Kemampuan ini mengindikasikan pelajar mana yang memiliki

kemampuan yang lebih/kurang.

Kekurangan dari penggunaan tes esai terletak pada ketidakkonsistenan dari penilaian

esai. Kekonsistenan atau reliabilitas dari penguji tergolong rendah untuk penilaian esai dengan

tes yang sama. Siswanto juga menyatakan terdapat 3 kondisi yang mempengaruhi reliabilitas

pengujian esai antara lain : (1) Sampling terbatas dari segi isi, (2) Ketidakjelasan perintah pada

soal, (3) adanya subyetifitas skor jawaban. Ketiga hal ini dipengaruhi oleh faktor manusia yang

memiliki persepsi dan mood yang berbeda untuk situasi berbeda, sementara sebagai penguji

seharusnya dapat dipercaya dan dibuktikan secara independen.

10

6.2. Sistem Elearning Moodle

Moodle adalah sebuah nama untuk sebuah program aplikasi yang dapat merubah

sebuah media pembelajaran kedalam bentuk web. Aplikasi ini memungkinkan siswa untuk

masuk kedalam “ruang kelas digital” untuk mengakses materi-materi pembelajaran. Dengan

menggunakan Moodle, kita dapat membuat materi pembelajaran, kuis, jurnal elektronik dan

lain-lain. Moodle itu sendiri adalah singkatan dari Modular Object Oriented Dynamic Learning

Environment.

Moodle merupakan sebuah aplikasi Course Management System (CMS) yang gratis

dapat di-download, digunakan ataupun dimodifikasi oleh siapa saja dengan lisensi secara GNU

(General Public License). Anda dapat men-download aplikasi Moodle di alamat

http://www.moodle.org atau Anda dapat install gratis di Server www.e-Padi.com dengan

berlangganan paket Hosting apa saja. Saat ini Moodle sudah digunakan pada lebih dari 150.000

institusi di lebih dari 160 negara didunia.

Aplikasi Moodle dikembangkan pertama kali oleh Martin Dougiamas pada Agustus 2002

dengan Moodle Versi 1.0. Saat ini Moodle bisa dipakai oleh siapa saja secara Open Source.

6.3. Text Mining

Text mining adalah salah satu bidang khusus dalam data mining. Text mining

merupakan proses penggalian pengetahuan intensif di mana pengguna berinteraksi dengan

koleksi dokumen dari waktu ke waktu dengan menggunakan seperangkat alat analisis pada data

mining. Text mining mengekstrak informasi yang berguna dari sumber data melalui identifikasi

dan eksplorasi pola yang menarik (R. Feldman & J. Sanger, 2007). Dalam kasus text mining,

sumber data adalah koleksi dokumen, dan pola yang menarik yang ditemukan tidak ada dalam

catatan database formal tetapi dalam data tekstual terstruktur di dokumen dalam koleksi data.

Text mining juga digambarkan dalam bidang ilmu komputer lain yang juga memiliki

konsentrasi pada penanganan bahasa alami. Meskupin tidak secara penuh, text mining juga

mengeksploitasi teknik dan metode dari bidang information retrival, information extraction dan

korpus komputasi linguistic.

6.3.1. Information Retrival

Information retrieval (temu kembali informasi) adalah pencarian materi (biasanya

dalam bentuk dokumen) dari kombinasi tidak terstruktur (berupa text) yang mengandung

informasi yang dibutuhkan dari koleksi yang besar yang biasanya tersimpan dalam komputer

(Christopher D. Manning, Prabhakar Raghavan & Hinrich Schütze, 2009) . Information

11

retrieval bekerja pada sekumpulan set dokumen dan mencari dokumen yang relevan terhadap

informasi yang dibutuhkan oleh pengguna. Kata information retrival saat ini digantikan

dengan search (bersinonim).

Dalam membangun sebuah sistem yang efektif (dalam konteks kualitas hasil pencarian)

terdapat hal yang harus diperhatikan :

Precision : yakni fraksi dokumen terkait yang relevan terhadap informasi yang

dibutuhkan pengguna harus presisi.

Recall : Tingkat keberhasilan sistem dalam menemukan kembali fraksi dari relevan

dokumen / sebuah informasi.

6.3.2. Text Preprocessing

Sesuai dengan penjelasan sebelumnya bahwa dalam text mining struktur data yang

diproses tidak terstruktur, maka dibutuhkan langkah langkah awal sebelum proses mining

dilakukan. Tujuan dari tahap teks preproses adalah untuk mengubah teks yang digunakan

menjadi lebih terstruktur. Pada tahap preproses data pada setiap dokumen diseleksi, seleksi

yang dimaksud meliputi case folding(penanganan huruf kapital), tokenizing (pemenggalan kata

dasar) , filtering (menyaring kata) dan stemming (penentuan kata dasar). Langkah-langkah

preproses text pada dokumen digambarkan sebagai berikut.

Bagan 1. Alur Text Preprocessing

Keempat tahap preproses diatas tidak berlaku pada setiap pengolahan teks. Setiap sistem

memiliki kebutuhan dan spesifikasi yang berbeda. Tahap preproses bergantung pada kebutuhan

pembangunan sistem untuk text mining.

6.4. String Matching

String matching adalah subjek penting dalam ranah pemrosesan teks. Dalam buku

Exact String Maching Algorithms, Christian Charras dan Thierry Lecroq menyatakan string

matching atau pencocokan string merupakan sebuah metode untuk mengetahui kesamaan dari

satu atau beberapa pola teks yang diberikan. Konteks permasalahan dalam string matching

adalah menemukan sebuah string (disebut “pola”) terdapat pada sebuah teks. Permasalahan

ini lebih dikenal dengan pengenalan pola. String merupakan sebuah sekuen dari

Case Folding Tokenizing Filtering Stemming

12

simbol/karakter dan simbol didefinisikan sebagai sebuah alfabet. Ukuran dan fitur lain dari

alfabet merupakan faktor penting dalam algoritma pemrosesan string.

Algoritma yang dapat digunakan untuk melakukan string matching sudah cukup

berkembang. Beberapa contoh algoritma string matching yang dapat digunakan antara lain :

(1)Algoritma Brute Force, (2) Algoritma Rabin Karp, (3)Knuth Morris Pratt, (4) Quick Search

dan lain sebagainnya.

6.4.1. Algoritma String Matching Rabin Karp

Algoritma Rabin Karp adalah algoritma pencocokan string yang menggunakan fungsi

hash sebagai pembanding antara string yang dicari (m) dengan substring pada teks (n).

Algoritma Karp-Rabin diciptakan oleh Michael O. Rabin dan Richard M. Karp pada tahun

1987. Fungsi Hash digunakan untuk menghindari quadratic number dari pembandingan

karakter dalam sebagain besar situasi praktiknya. Dibandingkan dengan melakukan

pengecekan terhadap setiap posisi dari teks jika pattern-nya ditemukan, jauh lebih efektif dan

efisien jika hanya digunakan untuk mengecek apakah konten “mirip seperti” pola.

Dalam rangka untuk memeriksa kemiripan antara dua kata maka digunakan fungsi

hashing. Untuk membantu penyelesaian terhadap pencocokan string, fungsi hashing harus

memiliki urutan properti sebagai berikut.

1. Komputasi yang efisien

2. Diskriminan tinggi terhadap string

3. Hash (y[j+1 ...j+m]) harus dapat dengan mudah dihitung melalui hash(y[j….j+m-1]) dan

y[j+m].

Apabila hash value teks yang dibandingkan sama maka akan dilakukan perbandingan

sekali lagi terhadap karakter-karakternya. Apabila hasil keduanya tidak sama, maka substring

akan bergeser ke kanan. Pergeseran dilakukan sebanyak (n-m) kali. Perhitungan nilai hash

yang efisien pada saat pergeseran akan mempengaruhi performa dari algoritma ini.

Dibawah ini adalah pseudo code dari algoritma Rabin Karp.

Rabin_Karp (T,P,d,q)

{

n =Length (T)

m= Length (P)

t0=0

p=0

h=dm-1mod q

For i=1 to m

13

{

p = (dp+P[i]) mod q

t0 =(d t0 + T[i] ) mod q

}

For s =0 to n-m

{

If t[s]=p then

{

if P[1….m]=T[s+1…….s+m]

then print pattern matches at shift ‘s’

}

if s

14

Fase 2

Gambar 2 Menggeser Comparison block

Setelah pergeseran, didapatkan nilai hash dari fingerprint “aab” (abb=aab - a + b)

menjadi dua (2 = 1 ± 1 + 2).

Gambar 3 Pembandingan kedua

Hasil perbandingan juga tidak sama, maka dilakukan pergeseran. Begitu pula dengan

perbandingan ketiga. Pada perbandingan keempat, didapatkan nilai hash yang sama.

Gambar 4 Perbandingan keempat (nilai hash sama)

Karena nilai hash sama, maka dilakukan perbandingan string karakter per karakter antara

“bca” dan “cab”. Didapatkan hasil bahwa kedua string tidak sama. Kasus ini dinamakan

sebagai spurious hits ( hit palsu). Kemudian kembali substring bergeser ke kanan.

Gambar 5 Perbandingan kelima (string ditemukan)

Pada perbandingan yang kelima, kedua nilai hash dan karakter pembentuk string sesuai,

sehingga solusi ditemukan. Ketika nilai hash sama dan karakter penyusunnya juga sama

kondisi ini disebut successfull hit (hit sukses). Dari hasil perhitungan, kompleksitas waktu yang

dibutuhkan adalah O(m+n) dengan m adalah panjang string masukan dan n adalah jumlah

looping yang dilakukan untuk menemukan solusi.

6.4.2. Modified Rabin Karp Algorithm

Seperti terlihat pada algoritma Rabin Karp, ketika ditemukan bahwa hasil perhitungan

dari nilai hash yang sama algoritma tersebut membandingkan apakah subset karakter dengan

hash yang sama memiliki urutan/susunan karakter yang sama. Hal ini menambah beban

komputasi dari algoritma Rabin Karp. Rajender Singh Chillar dan Barjesh Kochar (2008)

15

dalam penelitiannya RB-Matcher: String Matching Technique memberikan modifikasi

terhadap algoritma Rabin Karp dengan tambahan proses memperhitungkan nilai bagi dari

string dan key string yang memiliki nilai hash yang sama. Dengan perhitungan sisa, akan dapat

diketahui hasil bagi dan jika kedua sisa dan hasil bagi teks sesuai dengan pola maka termasuk

sukses hit, kemudian tidak perlu untuk membandingkannya. Itu berarti tidak ada perhitungan

tambahan hits palsu jika keduanya pola maka sama ditemukan pola yang lain tidak ditemukan.

Dibawah ini adalah pseudo code dari algoritma Rabin Karp yang telah dimodifikasi

(RB-Matcher).

Modified_Rabin_Karp (T,P,d,q)

{

n =Length (T)

m= Length (P)

t0=0

p=0

Q=0

pq=0

h=dm-1mod q

For i=1 to m

{

p = (dp+P[i]) mod q

t0 =(d t0 + T[i] ) mod q

}

pq= P[1…..m] DIV q

For s =0 to n-m

{

Q=T{s+1……….s+ m] DIV q

If (ts = p and Q = pq)

{

then print pattern matches at shift ‘s’

}

if s

16

Dengan pengubahan pada algoritma maka waktu komputasi yang diperlukan untuk proses

Rabin Karp menjadi lebih kecil.

7. Metode Penelitian

Penelitian yang dilakukan adalah jenis penelitian terapan yakni penelitian yang dapat

diterapkan untuk memecahkan masalah yang dihadapi, dalam hal ini pengujian / penilaian

terhadap jawaban esai. Penelitian ini berfokus pada pengetahuan teoritis dan praktis dalam

bidang tertentu dan bukan bidang pengetahuan umum.

7.1. Bahan dan Lokasi Penelitian

Bahan penelitian yang digunakan adalah soal soal esai yang terdapat di Jurusan Ilmu

Komputer Universitas Udayana. Soal soal esai yang digunakan didapatkan dari pengumpulan

data.

7.2. Metode Pengumpulan Data

Dalam pengumpulan data yang diperlukan untuk penelitian ini teknik pengumpulan

data yang digunakan adalah

1. Studi Literatur dan Dokumentasi

Teknik ini merupakan pengumpulan data yang dilakukan untuk mendapatkan

pengetahuan tentang , ekstraksi fitur teks. Studi literatur juga diperlukan untuk

mendapatkan informasi penelitian-penelitian sebelumnya tentang otomatisasi

penilaian esai, text mining, string matching dan algoritma Rabin Karp.

Analisis dokumen dilakukan untuk mengumpulkan data yang bersumber dari

arsip dan dokumen yang berhubungan dengan penelitian. Dokumen yang diperlukan

berupa data soal esai beserta jawabannya, data penelitian dan data publikasi di Jurusan

Ilmu Komputer Fakultas MIPA Universitas Udayana

2. Wawancara

Wawancara dilakukan terhadap individu yang mengetahui tentang data dan

informasi masalah yang dibahas dalam penelitian ini. Topik wawancara mengenai soal

soal esai yang akan digunakan sistem yang diperlukan

7.3. Metode Pengembangan Perangkat Lunak

Perangkat lunak yang digunakan sebagai pengembangan dan pengujian disini bersifat

purwarupa dan menggunakan program aplikasi Net Beans dan Adobe Dream Weaver untuk

pengembangan, serta Browser Firefox sebagai perangkat lunak uji. Adapun metode yang

digunakan dalam pembuatan perangkat lunak ini menggunakan System Development Life

17

Cycle (SDLC) yaitu Waterfall Model. Didalam SDLC terdapat tahapan-tahapan

pengembangan model purwarupa yaitu:

1. Analisis kebutuhan

Tahapan ini melakukan analisis kebutuhan yang bertujuan untuk mengetahui informasi,

model dan spesifikasi dari sistem yang akan dibangun.

2. Pengembangan purwarupa

Tahapan ini melakukan perancangan dan pembuatan purwarupa sesuai dengan

kebutuhan sistem.Tahapan ini juga dilakukan evaluasi terhadap purwarupa tersebut

apakah sudah sesuai atau belum dengan kebutuhan sistem.

3. Pengembangan perangkat lunak

Tahapan ini melakukan pembuatan perangkat lunak yang telah sesuai dengan

kebutuhan dan mengembangkan sampai menjadi sebuah sistem aplikasi.

4. Pengujian

Tahapan ini merupakan proses pengujian terhadap perangkat lunak yang dilakukan

untuk memastikan apakah sudah sesuai dengan kebutuhan atau belum.

7.4. Design Penelitian

Adapun desain alur kerja dari penelitian otomatisasi penilaian esai adalah sebagai

berikut.

7.4.1. Diagram Konteks dan Data Flow Diagram Sistem

Untuk menggambarkan alur data yang ada pada sistem secara umum digunakan notasi

Data Flow Diagram (DFD).

Bagan 2 Diagram Konteks Sistem

Sistem

Otomatisasi

Penialaian Esai

Pelajar Pengajar

Menginputkan

jawaban esai

Mendapatkan

Nilai

Menginputkan Soal dan

Kunci Jawaban

Mendapat Laporan

Hasil Penilaian dan

Jawaban

18

Dari diagram konteks diatas penjabaran detail data flow diagramnya adalah sebagai berikut.

Bagan 3 DFD Level 0..

Dengan DFD level 1 dari proses 1, 2 dan 3 seperti bagan berikut.

Bagan 4 DFD Level 1 Proses 1

Input jawaban esai Laporan Nilai Pelajar

Input soal dan

jawaban Laporan Hasil

Penilaian

1.

Preproses

2.

Proses

3.

Postproses

DB 1

Kata

dasar

Nilai similarity

& rangking

Pelajar

Pengajar

Kata

dasar

DB 2

DB 3

Data Nilai

Data

Nilai

Input jawaban esai

Input soal dan

jawaban

Kata dasar

1.1.

Case

Folding

1.2.

Parsing &

Tokenizing

1.3.

Filtering

1.4.

Stemming

Teks input

Kata input

Kata

penting

DB 1

Kata dasar

Keterangan :

DB 1 : database kata dasar

DB 2 : database hash

DB 3 : database nilai

Proses

1.Preproses : pemroses awal teks input

2. Proses : pemroses utama string matching

3. Postproses : pengolahan nilai esai

19

Bagan 5 DFD Level 1 Proses 2

Bagan 6 DFD Level 1 Proses 3

Kata dasar

Nilai similarity

dan rangking

2.1.

Merging

2.2.

String

Matching

2.3.

Dice's

Similarity

Coefficient

Teks input

Nilai Similarity

DB 2

DB 1

Kata dasar

Nilai

Similarity dan

rangking

3.3.

Laporan

Nilai

3.2.

Laporan

Nilai dan

Rekapitulasi

Laporan nilai

Pelajar

DB 3

Laporan Hasil

Penilaian

3.1.

Proses

Nilai

Data Nilai

Data Nilai

Keterangan :

DB 1 : database kata dasar

DB 2 : database hash

DB 3 : database nilai

Proses

1.Preproses : pemroses awal teks input

2. Proses : pemroses utama string matching

3. Postproses : pengolahan nilai esai

20

Dalam penelitian ini secara garis besar penulis jabarkan menjadi beberapa fase berbeda

sesuai dengan relevansi tahapan penelitian dan pengembanganya.

7.4.2. Tahap Preprocessing

Pada tahap ini dilakukan pemrosesan awal terhadap data/teks yang akan digunakan

dalam penelitian.

Bagan 7 Alur Preprocessing

7.4.2.1. Case Folding dan Tokenizing

Case folding adalah mengubah semua huruf dalam dokumen menjadi huruf kecil . Hal

ini baik untuk membuat normalisasi terhadap string/teks dan mengurangi kesalahan pada

pencarian informasi yang diakibatkan oleh perbedaan karakter/case yang sebenarnya memiliki

makna yang sama Tahap tokenizing adalah tahap pemotongan string atau character stream

menjadi token/kata yang menyusunnya (Christopher-Prabhakar-Hinrich, 2008).. Berikut

adalah proses case folding dan tokenizing.

Case Folding

Mulai

Filtering

Stemming

Selesai

Tokenizing

Keterangan :

Case Folding : Mengubah string ke dalam

lower case(tanpa huruf kapital)

Tokenizing : memecah string menjadi kata

Filtering : menyaring kata kata yang

bermakna penting, me-remove

kata hubung, symbol

Stemming : mengubah kata ke bentuk dasar

(kata dasar)

21

Bagan 8 Proses Case Filding dan Tokenizing

7.4.2.2. Filtering

Filtering adalah tahap menyaring / mengambil kata-kata penting dari hasil token. Dapat

dilakukan dengan menggunakan stopword (membuang kata yang kurang penting) atau wordlist

(menyimpan kata penting). Stopword adalah kata-kata yang tidak deskriptif yang dapat dibuang

dalam pendekatan bag-of-words. Contoh stopwords adalah “yang”, “dan”, “di”, “dari”, dan

seterusnya. Contoh dari tahapan ini dapat dilihat pada bagan berikut.

Bagan 9 Proses Filtering

7.4.2.3. Stemming

Tahap stemming adalah tahap pencarian dasar kata dari tiap kata hasil filtering. Pada

tahap ini dilakukan proses pengembalian berbagai bentukan kata ke dalam suatu representasi

yang sama (kata dasar). Tahap ini kebanyakan dipakai untuk teks berbahasa inggris dan lebih

Ilmu Komputer adalah salah satu

jurusan di Fakultas MIPA

ilmu

komputer

adalah

salah

satu

jurusan

di

fakultas

mipa

Teks input

Teks output

ilmu

komputer

salah

satu

jurusan

fakultas

mipa

Token Input Token Output

ilmu

komputer

adalah

salah

satu

jurusan

di

fakultas

mipa

22

sulit diterapkan pada teks berbahasa Indonesia. Hal ini dikarenakan Bahasa Indonesia tidak

memiliki rumus bentuk baku yang permanen.

Bagan 10 Proses Stemming

Ada beberapa algoritma stemming berbahasa Indonesia yang dikembangkan dalam

beberapa penelitian diantaranya algoritma Nazief Adriani dal algoritma Arifin Setiono. Nazief

Adriani dideskripsikan pada sebuah laporan teknikal yang tidak dipublikasi dari Universitas

Indonesia pada tahun 1996. Algoritma ini bekerja dengan menggunakan aturan morfologi

kompehrensif berdasarkan kelompok kata tertentu dengan mengenkapsulasi imbuhan kata

yang diperbolehkan dan yang tidak (Jelita, 2007). Stemming Arifin Setiono juga memiliki alur

kerja yang sama, yakni dengan menggunakan pendekatan dengan dictionary yang secara

bertahap menghilangkan imbuhan kata. Algoritma ini lebih baik dalam kompleksitasnya

daripada Nazief Adriani, namun dari segi keakuratan hasil proses algoritma Nazief Adriani

lebih baik daripada algoritma Arifin Setiono (Jelita, 2007).

Proses stemming pada teks berbahasa Indonesia lebih rumit/kompleks karena terdapat

variasi imbuhan yang harus dibuang untuk mendapatkan root word(kata dasar) dari sebuah

kata.. Pada umumnya kata dasar pada bahasa Indonesia terdiri dari kombinasi:

Prefiks 1 + Prefiks 2 + Kata dasar + Sufiks 3 + Sufiks 2 + Sufiks 1

Algoritma Nazief & Adriani memiliki tahap-tahap sebagai berikut:

1. Pertama cari kata yang akan diistem dalam kamus kata dasar. Jika ditemukan maka

diasumsikan kata adalah root word. Maka algoritma berhenti.

2. Inflection Suffixes (“-lah”, “-kah”, “-ku”, “-mu”, atau “-nya”) dibuang. Jika berupa

particles (“-lah”, “-kah”, “-tah” atau “-pun”) maka langkah ini diulangi lagi untuk

menghapus Possesive Pronouns (“-ku”, “-mu”, atau “-nya”), jika ada.

3. Hapus Derivation Suffixes (“-i”, “-an” atau “-kan”). Jika kata ditemukan di kamus, maka

algoritma berhenti. Jika tidak maka ke langkah 3a

cari

laku

kembali

bentuk

bahasa Token Input Token Output

pencarian

dilakukan

pengembalian

bentukan

berbahasa

23

a. Jika “-an” telah dihapus dan huruf terakhir dari kata tersebut adalah “-k”, maka “-

k” juga ikut dihapus. Jika kata tersebut ditemukan dalam kamus maka algoritma

berhenti. Jika tidak ditemukan maka lakukan langkah 3b.

b. Akhiran yang dihapus (“-i”, “-an” atau “-kan”) dikembalikan, lanjut ke langkah 4.

4. Hapus Derivation Prefix. Jika pada langkah 3 ada sufiks yang dihapus maka pergi ke

langkah 4a, jika tidak pergi ke langkah 4b.

a. Periksa tabel kombinasi awalan-akhiran yang tidak diijinkan. Jika ditemukan maka

algoritma berhenti, jika tidak, pergi ke langkah 4b.

b. For i = 1 to 3, tentukan tipe awalan kemudian hapus awalan. Jika root word belum

juga ditemukan lakukan langkah 5, jika sudah maka algoritma berhenti. Catatan:

jika awalan kedua sama dengan awalan pertama algoritma berhenti.

5. Melakukan Recoding.

6. Jika semua langkah telah selesai tetapi tidak juga berhasil maka kata awal diasumsikan

sebagai root word. Proses selesai.

Tipe awalan ditentukan melalui langkah-langkah berikut:

1. Jika awalannya adalah: “di-”, “ke-”, atau “se-” maka tipe awalannya secara berturut-

turut adalah “di-”, “ke-”, atau “se-”.

2. Jika awalannya adalah “te-”, “me-”, “be-”, atau “pe-” maka dibutuhkan sebuah proses

tambahan untuk menentukan tipe awalannya.

3. Jika dua karakter pertama bukan “di-”, “ke-”, “se-”, “te-”, “be-”, “me-”, atau “pe-”

maka berhenti.

4. Jika tipe awalan adalah “none” maka berhenti. Jika tipe awalan adalah bukan “none”

maka awalan dapat dilihat pada Tabel 2. Hapus awalan jika ditemukan.

Berikut adalah table kombinasi awalan dan akhiran yang tidak diijinkan.

Awalan Akhiran yang tidak diizinkan

be- -i

di- -an

ke- -i, -kan

me- -an

se- -i, -kan

Tabel 1 Kombinasi awalan dan akhiran yang tidak diperbolehkan

24

Dengan cara menentukan tipe walan yang diberikan pada kata terdapat pada table berikut.

Following Characters Tipe

Awalan Set 1 Set 2 Set 3 Set 4

“-r-“ “-r-“ – – none

“-r-“ – – ter-luluh

“-r-“ not (vowel or

“-r-”)

“-er-“ vowel ter

“-r-“ not (vowel or

“-r-”)

“-er-“ not

vowel

ter-

“-r-“ not (vowel or

“-r-”)

not “-er-“ – ter

not (vowel or

“-r-”)

“-er-“ vowel – none

not (vowel or

“-r-”)

“-er-“ not vowel – te

Tabel 2 Cara Menentukan Tipe Awalan Untuk awalan “te-”

Jenis awalan pada algoritma Nazief Adriani dibedakan menjadi beberapa tipe yang harus

dihapus yakni

Tabel 3.

Tipe Awalan Awalan yang harus dihapus

di- di-

ke- ke-

se- se-

te- te-

ter- ter-

ter-luluh ter

Tabel 3 Jenis Awalan Berdasarkan Tipe Awalannya

Untuk mengatasi keterbatasan pada algoritma di atas, maka ditambahkan aturan-aturan

dibawah ini:

1. Aturan untuk reduplikasi.

1. Jika kedua kata yang dihubungkan oleh kata penghubung adalah kata yang sama

maka root word adalah bentuk tunggalnya, contoh : “buku-buku” root word-nya

adalah “buku”.

2. Kata lain, misalnya “bolak-balik”, “berbalas-balasan, dan ”seolah-olah”. Untuk

mendapatkan root word-nya, kedua kata diartikan secara terpisah. Jika keduanya

memiliki root word yang sama maka diubah menjadi bentuk tunggal, contoh: kata

“berbalas-balasan”, “berbalas” dan “balasan” memiliki root word yang sama yaitu

“balas”, maka root word “berbalas-balasan” adalah “balas”. Sebaliknya, pada kata

25

“bolak-balik”, “bolak” dan “balik” memiliki root word yang berbeda, maka root

word-nya adalah “bolak-balik”.

2. Tambahan bentuk awalan dan akhiran serta aturannya.

1. Untuk tipe awalan “mem-“, kata yang diawali dengan awalan “memp-” memiliki

tipe awalan “mem-”.

2. Tipe awalan “meng-“, kata yang diawali dengan awalan “mengk-” memiliki tipe

awalan “meng-”.

Berikut contoh-contoh aturan yang terdapat pada awalan sebagai pembentuk kata dasar.

1. Awalan SE-

Se + semua konsonan dan vokal tetap tidak berubah

Contoh :

Se + bungkus = sebungkus

Se + nasib = senasib

Se + arah = searah

Se + ekor = seekor

2. Awalan ME-

Me + vokal (a,i,u,e,o) menjadi sengau “meng”

Contoh :

Me + inap = menginap

Me + asuh = mengasuh

Me + ubah = mengubah

Me + ekor = mengekor

Me + oplos = mengoplos

Me + konsonan b menjadi “mem”

Contoh :

Me + beri = member

Me + besuk = membesuk

Me + konsonan c menjadi “men”

Contoh :

Me + cinta = mencinta

Me + cuci = mencuci

Me + konsonan d menjadi “men”

26

Contoh :

Me + didik = mendidik

Me + dengkur = mendengkur

Me + konsonan g dan h menjadi “meng”

Contoh :

Me + gosok = menggosok

Me + hukum = menghukum

Me + konsonan j menjadi “men”

Contoh :

Me + jepit = menjepit

Me + jemput = menjemput

Me + konsonan k menjadi “meng” (luluh)

Contoh :

Me + kukus = mengukus

Me + kupas = mengupas

Me + konsonan p menjadi “mem” (luluh)

Contoh :

Me + pesona = mempesona

Me + pukul = memukul

Me + konsonan s menjadi “meny” (luluh)

Contoh :

Me + sapu = menyapu

Me + satu = menyatu

Me + konsonan t menjadi “men” (luluh)

Contoh :

Me + tanama = menanam

Me + tukar = menukar

Me + konsonan (l,m,n,r,w) menjadi tetap “me”

Contoh :

Me + lempar = melempar

Me + masak = memasak

Me + naik = menaik

Me + rawat = merawat

Me + warna = mewarna

27

3. Awalan KE-

Ke + semua konsonan dan vokal tetap tidak berubah

Contoh :

Ke + bawa = kebawa

Ke + atas = keatas

4. Awalan PE-

Pe + konsonan (h,g,k) dan vokal menjadi “per”

Contoh :

Pe + hitung + an = perhitungan

Pe + gelar + an = pergelaran

Pe + kantor + = perkantoran

Pe + konsonan “t” menjadi “pen” (luluh)

Contoh :

Pe + tukar = penukar

Pe + tikam = penikam

Pe + konsonan (j,d,c,z) menjadi “pen”

Contoh :

Pe + jahit = penjahit

Pe + didik = pendidik

Pe + cuci = pencuci

Pe + zina = penzina

Pe + konsonan (b,f,v) menjadi “pem”

Contoh :

Pe + beri = pemberi

Pe + bunuh = pembunuh

Pe + konsonan “p” menjadi “pem” (luluh)

Contoh :

Pe + pikir = pemikir

Pe + potong = pemotong

Pe + konsonan “s” menjadi “peny” (luluh)

Contoh :

Pe + siram = penyiram

Pe + sabar = penyabar

28

Pe + konsonan (l,m,n,r,w,y) tetap tidak berubah

Contoh :

Pe + lamar = pelamar

Pe + makan = pemakan

Pe + nanti = penanti

Pe + wangi = pewangi

Pada proses stemming menggunakan Algoritma Nazief & Adriani, kamus yang

digunakan sangat mempengaruhi hasil stemming. Semakin lengkap kamus yang digunakan

maka semakin akurat pula hasil stemming.

7.4.3. Tahap Processing Algoritma Rabin Karp

Flow chart dari proses utama sistem adalah sebagai berikut.

Bagan 11 Flow chart Rabin Karp

7.4.3.1. K-Gram Parsing

K-Grams adalah rangkaian terms dengan panjang K. Kebanyakan yang digunakan

sebagai terms adalah kata. K-Grams merupakan sebuah metode yang diaplikasikan untuk

pembangkitan kata atau karakter. Metode K-Grams ini digunakan untuk mengambil potongan-

potongan karakter huruf sejumlah k dari sebuah kata yang secara kontinuitas dibaca dari teks

sumber hingga akhir dari dokumen. Dalam Markov Model nilai K-Grams yang sering

digunakan yaitu, 2-gram (bigram), 3-gram (trigram) dan seterusnya disebut K-Grams (4-gram,

5-gram dan seterusnya). Dalam natural language processing, penggunaan K-Grams (atau lebih

dikenal dengan n-gram), proses parsing token (tokenisasi) lebih sering menggunakan 3-gram

dan 4-gram, sedangkan 2-gram digunakan dalam parsing sentence, misal dalam part-of-speech

Parsing K-gram

Mulai

Hashing

String Matching

Selesai

Keterangan :

Parsing K-gram : Menggabungkan kata dan

Memotongnya menjadi string pola sejumlah

K karakter.

Hashing : memberi nilai hash untuk masing masing

pola string

String Matching : mencocokkan string pola dengan

string query

29

(POS). Penggunaan 2-gram dalam tokenisasi akan menyebabkan tingkat perbandingan antar

karakter akan semakin besar. Berikut ini adalah contoh K-Grams dengan k=5:

7. Text : Ilmu Komputer Universitas Udayana ilmu komputer universitas udayana

8. Kemudian dilakukan penghilangan spasi : ilmukomputeruniversitasudayana

9. Sehingga hasil K- Gram yang didapat :

{ilmuk} {lmuko} {mukom} {ukomp} {kompu} {omput}

{mpute} {puter} {uteru} {terun} {eruni} {runiv}

{unive} {niver} {ivers} {versi} {ersit} {rsita}

{sitas} {itasu} {tasud} {asuda} {suday} {udaya}

{dayan} {ayana}

7.4.3.2. Hashing

Hashing adalah suatu cara untuk mentransformasi sebuah string menjadi suatu nilai

yang unik dengan panjang tertentu (fixed-length) yang berfungsi sebagai penanda string

tersebut. Fungsi untuk menghasilkan nilai ini disebut fungsi hash, sedangkan nilai yang

dihasilkan disebut nilai hash. Contoh sederhana hashing adalah:

Firdaus, Hari

Munir, Rinaldi

Rabin, Michael

Karp, Richard

Menjadi:

7864 = Firdaus, Hari

9802 = Munir, Rinaldi

1990 = Rabin, Michael

8822 = Karp, Richard

Contoh di atas adalah pengunaan hashing dalam pencarian pada database. Apabila tidak di-

hash, pencarian akan dilakukan karakter per karakter pada nama-nama yang panjangnya

bervariasi dan ada 26 kemungkinan pada setiap karakter. Namun pencarian akan menjadi lebih

efisien setelah di-hash karena hanya akan membandingkan empat digit angka dengan cuma 10

kemungkinan setiap angka. Nilai hash pada umumnya digambarkan sebagai fingerprint atau

blok string yaitu suatu string pendek yang terdiri atas huruf dan angka yang terlihat acak (data

biner yang ditulis dalam heksadesimal).

30

7.4.4. Arsitektur Integrasi Sistem Moodle dan Automasi Esai

Untuk menggabungkan system automasi dengan system elearning Moodle maka

diperlukan sebuah modul yang berfungsi sebagai interpreter yang menjembatani system

automasi dengan system Moodle. Modul ini akan menghubungkan kedua system dalam proses

data yang berkaitan dengan database yang digunakan pada kedua system. Adapun rancangan

arsitektur integrasi kedua system antara lain sebagai berikut.

Bagan 12 Arsiterktur Integrasi Sistem

Dari database Moodle modul akan mengambil data data seperti data user, course yang

diikuti user, lesson, serta data Quiz atau evaluasi serta data jawaban yang diperlukan. Secara

detail arsitektur hubungan proses integrasi system adalah seperti dibawah ini.

Bagan 13 Rancangan Arsitektur Integrasi Sistem

Sistem Moodle

Database Moodle

Modul Intepreter Sistem Automasi

Proses

Seleksi dan

Agregasi

Data

Proses Data

Jawaban

Data Course

User, quiz

Jawaban

Kunci dan

Jawaban

Esai

Sesi Aktif

Get data

Seleksi atribut

data

Agregasi data

Preprosessing

penilaian

Proses

penilaian

Input kunci

jawaban

Submit

nilai

Database

moodle

Database

moodle

Database

moodle

data user,

course, lesson

quiz

data dengan atribut

terseleksi

Agregat data user,

course, quiz

Data kunci

jawaban

pengajar pelajar

Proses

laporan

Nilai disetujui

Data jawaban dan

kunci jawaban

Data jawaban

Dan kunci jawaban

Rekomendasi

nilai data nilai

Laporan

nilai

Laporan

nilai dan

rekapitulasi

Modul Sistem automasi

kunci jawaban

31

7.4.5. Penambahan Modul pada Moodle

Modul yang ditambahkan pada system elearning Moodle tidak dapat dibangun secara

sembarang. Moodle telah menyediakan template modul baru dalam bentuk package modul

yang dapat diunduh pada halaman resmi Moodle. Pada package tersebut terdapat beberapa file

default yang harus ada pada sebuah modul baru yang akan ditambahkan pada system elearning

Moodle. Berikut adalah langkah langkah membangun dan menambahkan modul baru pada

Moodle.

1. Download package template modul baru melalui situs resmi Moodle melalui

https://docs.moodle.org/dev/NEWMODULE_Documentation

2. Lakukan ekstraksi pada package template modul yang telah diunduh

3. Ubah nama folder newmodule/ sesuai dengan nama modul yang akan digunakan.

Nama modul harus menggunakan huruf kecil (bukan capital) tanpa tanda

underscore.

4. Lakukan editing pada file dalam folder modul baru yang dibuat maupun pada file

dalam subdirektori modul baru

5. Kemudian tempatkan folder modul baru pada folder /mod pada Moodle direktori.

6. Buka menu setting administrasi pada dashboard admin, Settings > Site

Administration > Development > XMLDB editor, lalu modifikasi table module

yang ada.

7. Pastikan web server memiliki akses data ke dalam database. Walaupun modul yang

dibangun tidak menggunakan database setidakanya terdapat satu table referensi

yang dihubungkan dengan system/modul yang dibangun.

8. Modifikasi file version.php untuk men-setting versi dari modul yang dibangun.

9. Buka menu Settings > Site Administration > Notifications untuk memastikan tabel

modul telah dibuat

10. Lakukan pengecekan bahwa modul yang dibangun telah berhasil ditambahkan

pada system Moodle telah berhasil dibuat dengan membuka menu Site

Administration > Plugins > Activity modules > Manage activities dan perhatikan

apakah nama modul telah berada pada list modul yang telah diinstall.

Hal yang harus diperhatikan dalam penambahan modul adalah pastikan bahwa modul yang

dibangun telah memiliki kapabilitas pada database dan sistem Moodle. Dan sebelumnya

mungkin perlu melakukan pengubahan pada file mod_form.php and view.php sebelum

memodifikasi file yang lain.

https://docs.moodle.org/dev/NEWMODULE_Documentation

32

8. Uji Coba

Untuk pengujian terhadap sistem akan dilakukan dengan metode Blackbox testing.

Pengujian dilakukan dengan beberapa skenario uji coba. Untuk bahan percobaan akan

digunakan data dari hasil penelitian awal yang didapat di Jurusan Ilmu Komputer Universitas

Udayana yakni berupa soal esai dengan struktur esai murni teks tanpa ada symbol, rumus atau

persamaan matematis lainnya.

8.1. Skenario Uji Coba

Pengujian pertama dilakukan dengan menginput 1 soal melalui system kemudian akan

diberikan 10 jawaban soal esai menggunakan jawaban yang sama memalui system Moodle

hanya saja jawaban ke – 2, 3, 4, 5, 6, 7, 8, 9, dan 10 dilakukan pemotongan kata hingga jumlah

kata masing masing 90%, 80%, 70%, 60%, 50%, 40%, 30%, 20%, dan 10 % dari jawaban 1.

Tujuan dari mengurangi jumlah kata adalah untuk mengetahui perangkingan yang didapat oleh

sistem, setelah menginput kesepuluh jawaban esai tersebut. Pemotongan kata pada jawaban

esai telah diubah sedemikian rupa dengan memotong secara acak jawaban esai . Perkiraan awal

hasil dari pengujian ini adalah didapat hasil rangking berturut dari jawaban yang memiliki

kesamaan tertinggi hingga terendah yakni jawaban 1, 2, 3 hingga 10.

Pengujian kedua dilakukan dengan 1 soal esai kembali dengan 10 jawaban soal esai

menggunakan jawaban yang berebeda dari jawaban 1. Tujuannya adalah untuk mengetahui

perangkingan yang didapat oleh sistem menggunakan jawaban dengan uraian yang berbeda

pada setiap jawaban setelah menginput kesepuluh jawaban esai tersebut. Perkiraan awal hasil

dari pengujian ini adalah didapat hasil rangking berturut dari jawaban yang memiliki kesamaan

tertinggi hingga terendah yakni jawaban 1, 2, 3 hingga 10.

Tingkat Akurasi dari system akan diukur secara manual. Pengukuran dilakukan dengan

membandingkan perolehan penilaian yang didapat dengan menilai esai secara manual dan

penilaian yang didapat system. Tingkat akurasi akan disesuaikan dengan rasio pendekatan

sebesar 90 % selisih dari penilaian secara manual dengan penilaian system. Hal ini dilakukan

untuk memberikan batasan error rate penilaian system dengan penilaian manual sehingga dapat

diketahui seberapa jauh perbedaan hasil yang diberikan oleh system dengan evaluasi manual.

Proses pada kedua pengujian dilakukan proses preprocessing dan processing.

Preprocessing akan dilakukan dikedua sisi query (jawaban) dan dokumen(kunci jawaban).

Penentuan stoword pada penelitian ini dilakukan dengan mencari kata yang paling sering

muncul dari beberapa dokumen dan daftar kata hubung berdasarkan Kamus Besar Bahasa

Indonesia(KBBI) sehingga didapatkan kata-kata yang memang dapat dihilangkan dari

33

dokumen. Demikian pula untuk penentuan kata dasar juga mengacu pada KBBI edisi online.

Processing dilakukan dengan menggunakan Rabin-Karp dan dice coefficient. Variable yang

digunakan dalam penelitian ini adalah waktu proses dan nilai similaritas kunci jawaban

terhadap jawaban input(query).

9. Jadwal Pelaksanaan Penelitian

AGENDA BULAN KE 1 BULAN KE 2 BULAN KE 3

No Kegiatan MINGGU KE MINGGU KE MINGGU KE

1 2 3 4 1 2 3 4 1 2 3 4

Tahap Analisis Kebutuhan

1 Pengumpulan data (Soal dan

Jawaban Esai sebagai input

pada system)

Tahap Pengembangan

Purwarupa/Permodelan

2 Analisis kebutuhan antar muka

dan pengembangan sistem

3 Pembuatan detail flowchart

preprocessing system untuk

tokenizing, filtering dan

stemming

4 Pembuatan Flowchart parsing

k-gram, hashing dan String

Matching

5 Pembuatan data flow diagram

6 Pembuatan scenario dan data

uji sistem

7 Pembuatan desain antar muka

Tahap Pengembangan Sistem

8 Pengembangan dengan bahasa

pemrograman PHP dan data

Base MySQL

Tahap Pengujian

34

9 Pengujian Unit

10 Pengujian sistem sesuai

skenario uji

11 Pembuatan tabel hasil

pengujian sistem

35

Daftar Pustaka

Akhtar Rasool,Amrita Tiwari, Gunjan Singla,Nilay Khare. 2012. “String Matching

Methodologies:A Comparative Analysis”. International Journal of Computer

Science and Information Technologies, Vol. 3 (2) , 2012,3394 - 3397

Christian Charras, Thierry Lecroq. Handbook of Exact String Matching Algorithms.

Christopher D. Manning, Prabhakar Raghavan & Hinrich Schütze. 2009. An Introduction to

Information Retrieval. England : Cambridge University Press Feldman, Ronen, James Sanger. 2007. The Text Mining Handbook : Advanced Approaches in

Analyzing Unstructured Data. New York : Cambridge University Press.

Handrie Noprisson, Boko Susilo, Ernawati., Oktober. 2013. “Implementasi Algoritma Rabin-

Karp Untuk Menentukan Keterkaitan Antar Publikasi Penelitian Dosen Tahun 2013”.

Jurnal Teknologi Informasi, Volume 9 Nomor 2, ISSN 1414-9999.

Kendall, Kenneth E. 2008. Systems Analysis and Design 8th Edition. New Jersey : Prentice

Hall

Leena Salmela, Jorma Tarhio, Jari Kytojoki. 2006. “Multi-pattern string matching with q-

grams”. ACM Journal of Experimental Algorithmics, Volume 11, Article No. 1.1,

2006.

Manvi Mahana, Mishel Johns, Ashwin Apte,. Desember. 2012.“Automated Essay Grading

Using Machine Learning”. CS229 Machine Learning Stanford University.

Rajender Singh Chillar, Barjesh Kochar., 2008. “RB-Matcher: String Matching Technique”.

World Academy of Science, Engineering and Technology, Vol:2 2008-06-27.

Sahriar Hamza, M. Sarosa, Purnomo Budi Santoso,. Desember. 2013. “Sistem Koreksi Soal

Essay Otomatis Dengan Menggunakan Metode Rabin Karp”. Jurnal EECCIS Vol. 7,

No. 2.

Salmuasih, Andi Sunyoto,. Juni2013. “Implementasi Algoritma Rabin Karp Untuk

Pendeteksian Plagiat Dokumen Teks Menggunakan Konse Similarity”. Seminar

Nasional Aplikasi Teknologi Informasi (SNATI) 2013, F-23, ISSN 1907-5022.

Siswanto. 2006. “Penggunaan Tes Essay Dalam Evaluasi Pembelajaran” Jurnal Pendidikan

Akuntansi Indonesia, Vol. V No. 1, Hal. 55 – 61