uji algoritma probabilistic model, vector space - PLAGIAT ...
-
Upload
khangminh22 -
Category
Documents
-
view
4 -
download
0
Transcript of uji algoritma probabilistic model, vector space - PLAGIAT ...
UJI ALGORITMA PROBABILISTIC MODEL, VECTOR SPACE
MODEL, DAN EXTENDED BOOLEAN MODEL PADA
SISTEM REKOMENDASI DIFFERENTIAL DIAGNOSE
PENYAKIT PARU – PARU (Studi Kasus: Puskesmas Jebed, Pemalang)
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Oleh:
Vincentius Ardha Dian Rigitama
095314051
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2013
i
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PROBABILISTIC MODEL, VECTOR SPACE MODEL, AND
EXTENDED BOOLEAN MODEL ALGORITHMS TEST IN
LUNG DISEASE DIFFERENTIAL DIAGNOSE
RECOMMENDATION SYSTEMS (Case Study: Puskesmas Jebed, Pemalang)
A Thesis
Presented As A Partial Fulfillment of The Requrements
To Obtain The Bachelor Degree
Informatics Engineering Study Program
By:
Vincentius Ardha Dian Rigitama
095314051
INFORMATIC ENGINEERING STUDY PROGRAM
FACULTY OF SCIENCE AND TECHNOLOGY
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2013
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN PERSETUJUAN
SKRIPSI
UJI ALGORITMA PROBABILISTIC MODEL, VECTOR SPACE MODEL,
DAN EXTENDED BOOLEAN MODEL PADA SISTEM REKOMENDASI
DIFFERENTIAL DIAGNOSE PENYAKIT PARU - PARU
Oleh:
Vincentius Ardha Dian Rigitama
NIM: 095314051
Telah disetujui oleh:
Dosen Pembimbing Tugas Akhir
Puspaningtyas Sanjoyo Adi, S.T., M.T. Tanggal: ………………
ii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN PENGESAHAN
SKRIPSI
UJI ALGORITMA PROBABILISTIC MODEL, VECTOR SPACE MODEL,
DAN EXTENDED BOOLEAN MODEL PADA SISTEM REKOMENDASI
DIFFERENTIAL DIAGNOSE PENYAKIT PARU - PARU
Dipersiapkan dan ditulis oleh
Vincentius Ardha Dian Rigitama
NIM: 095314051
Telah dipertahankan di depan Panitia Penguji
Pada tanggal 18 Juli 2013
Dan dinyatakan memenuhi syarat
Susunan Panitia Penguji
Nama lengkap Tanda Tangan
Ketua Sri Hartati Wijono, S.Si., M.Kom. ………………….
Sekretaris JB. Budi Darmawan, S. T., M. Sc. ………………….
Anggota Puspaningtyas Sanjoyo Adi, S.T., M.T. ………………….
Yogyakarta, ……..
Faklutas Sains dan Teknologi
Universitas Sanata Dharma
Dekan,
(Paulina Heruningsih Prima Rosa, S.Si., M.Sc.)
iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PERNYATAAN KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini
tidak memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan
dalam kutipan dan daftar pustaka sebagaimana layaknya karya ilmiah.
Yogyakarta, 18 Juli 2013
Penulis,
Vincentius Ardha Dian Rigitama
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN MOTO
“Jalan yang berlubang itu bukan sebuah hambatan, tetapi
jalan yang harus dilalui. Tidak ada sesuatu yang tidak
mungkin, everything is possible.”
v
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN PERSEMBAHAN
Kupersembahkan skripsi ini kepada:
Tuhan Yesus Kristus dan Bunda Maria atas lindungan dan kasih – Nya.
Keluarga saya, Bapak Iwan, Ibu Yudhia, kakak Andreas dan Mita, dan
adik Tika yang selalu mendoakan dan memberi dukungan saya.
Orang – orang spesial yang selalu membantu, memberikan semangat,
kritik, dan saran:
Bp. Puspaningtyas, Ibu Tatik, & Pak Wawan selaku trio tim penguji
pendadaran yang hebat, “usted hace todo el mundo tiene miedo”.
Yosefina Agustin, Agustinus Wikrama, & Benediktus Eki yang selalu
menjadi senasib seperjuangan.
J.S Wulandari, Aden, Henfry, Unggul, Jenny, Audris, & Ageng yang
selalu mendukung, memotivasi, dan membantu dalam pengerjaan, gracias!!
TIM DEJ yang sangat memotivasi dan menginspirasi.
Teman – teman TI 2009, Ustedes son lo máximo!
muchas gracias por todo,
@vincentiusardha
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRAKSI
Differential diagnose adalah penentuan dua atau lebih penyakit atau
kondisi yang diderita pasien dengan membandingkan dan mengontraskan secara
sistematis hasil – hasil tindakan diagnostik. Petugas pelayanan kesehatan, dengan
berdasarkan pada pengamatan gejala pasien, akan menemukan sejumlah penyakit
yang mungkin terjadi. Hal ini tidak menutup kemungkinan adanya kesalahan
differential diagnose penyakit pasien. Masalah tersebut kemudian akan
diselesaikan menggunakan sebuah solusi dengan membuat sebuah aplikasi yang
mampu memberi urutan penyakit yang mungkin menjadi differential diagnose.
Dengan berdasar pada gejala – gejala umum yang ada dalam pedoman
yang telah dijadikan menjadi dokumen pendek, differential diagnose dihitung
menggunakan 3 (tiga) algoritma information retrieval, yakni extended boolean
model, vector space model, dan probabilistic model. Sistem akan diuji oleh 4
orang dokter, dengan mengisi kuesioner yang berisi gejala umum pasien dan
membandingkannya dengan hasil sistem. Hasil dari sistem kemudian dihitung
menggunakan algoritma recall – precision.
EBM mempunyai unjuk kerja paling tinggi diantara ketiga model dengan
rerata penurunan terhadap titik optimal sebesar 0,32473871. Rerata penurunan
terhadap titik optimal VSM adalah 0,3031798. PM mempunyai rerata penurunan
terhadap titik optimal sebesar 0,3676046. Algoritma EBM merupakan algoritma
terbaik yang dapat diterpakan pada sistem yang mampu memberikan akurasi
sebesar 81%.
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRACT
Differential diagnose is the determination of two or more diseases or
conditions suffered by patients, with comparing and contrasting the results of
diagnostic measures in systematic way. A doctor, based on the observations of the
patient's symptoms, will make a differential diagnosis. There is a possibility of a
wrong differential diagnosis. Based on that problem, will be solved by creating an
application that is able to provide feedback to the user the sequence of diseases
that may be included in the differential diagnosis.
Based on general symptoms that written in the guidelines, thats will be
present as a short document. Few of short documents, will be use as a collections.
Differential diagnosis will be calculated using three (3) information retrieval
algorithms, the extended Boolean models, the vector space models, and the
probabilistic models. We can define a short document is a document with number
of maximal term is 30. The system will be tested by 4 doctors. Testing method is
by filling out a questionnaire and then compared with the results of the system.
After that, the results will be calculated using recall – precision algorithm.
EBM has the highest performance among the three models, with a mean
decrease from the optimal point is a 0,2473871. The mean decrease from the
optimal point of VSM is a 0,3031798. PM has the lowest performance, with a
mean decrease from the optimal point is a 0,3676046. Extended Boolean Models
is the best algorithm that will be used in system and able to provide an accuracy at
81%.
viii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
LEMBAR PERNYATAAN PERSETUJUAN
PUBLIKASI KARYA ILMIAH UNTUK KEPERLUAN AKADEMIS
Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma:
Nama : Vincentius Ardha Dian Rigitama
Nomor Mahasiswa : 095314051
Demi mengembangkan ilmu pengetahuan, saya memberikan kepada perpustakaan
Universitas Sanata Dharma karya ilmiah saya yang berjudul:
UJI ALGORITMA PROBABILISTIC MODEL, VECTOR SPACE MODEL,
DAN EXTENDED BOOLEAN MODEL PADA SISTEM REKOMENDASI
DIFFERENTIAL DIAGNOSE PENYAKIT PARU – PARU
Beserta perangkat yang diperlukan. Dengan demikian saya memberikan kepada
Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan
dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data,
mendistribusikan secara terbatas, dan mempublikasikannya di Internet atau media
lain untuk kepentingan akademis tanpa perlu meminta izin dari saya maupun
memberikan royalti kepada saya selama tetap mencantumkan nama saya sebagai
penulis.
Demikian pernyataan ini saya buat dengan sebenarnya.
Dibuat di Yogyakarta,
Pada tanggal: 18 Juli 2013
Yang menyatakan,
Vincentius Ardha Dian Rigitama
ix
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
KATA PENGANTAR
Puji dan syukur kepada Tuhan karena atas segala berkat dan bimbingan-
Nya, penulis dapat menyelesaikan tugas akhir ini dengan baik. Tugas akhir ini
ditulis untuk memenuhi salah satu syarat untuk memperoleh gelar Sarjana
Komputer dari Program Studi Teknik Informatika Universitas Sanata Dharma.
Penulis menyadari bahwa selesainya tugas akhir ini tak lepas dari bantuan orang –
orang di sekitar penulis. Oleh sebab itu, penulis mengucapkan terima kasih
kepada:
1. Tuhan Yesus Kristus yang selalu membimbing dan menuntun
penulis dalam menyelesaikan tugas akhir ini dan juga karena telah
mengabulkan doa penulis sehingga tugas akhir ini dapat selesai
dengan baik.
2. Bapak Puspaningtyas Sanjoyo Adi, S. T., M. T., selaku dosen
pembimbing yang telah meluangkan waktu, ide, serta pikiran untuk
membantu penulis dalam menyelesaikan tugas akhir ini.
3. Ibu Sri Hartati Wijono, S.Si., M.Kom., selaku ketua dosen penguji
yang telah meluangkan waktu untuk menguji tugas akhir ini.
4. Kepala Puskesmas Jebed, dr. Setiawan Raharjana, dan seluruh
keluarga besar Puskesmas Jebed, yang telah membantu saya dalam
mendapatkan data penelitian.
5. Keluarga saya, Bapak Iwan, Ibu Yudhia, kakak Andreas dan Mita,
dan adik Tika yang selalu mendoakan dan memberi dukungan
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
kepada penulis sehingga tugas akhir ini dapat selesai dengan baik
dan tepat pada waktunya.
6. Yosefina Agustin Nugraheni Bere, wanita spesial yang juga selalu
memberikan yang terbaik untuk memberi dukungan tak terbatas
kepada penulis agar tidak menyerah dan selalu bersemangat untuk
menyelesaikan tugas akhir ini dengan baik dan tepat waktu.
7. Tim DEJ, yang selalu menjadi inspirasi dan motivasi kepada
penulis.
8. J.S. Wulandari, Tinus, Eki, Audris, Aden, Unggul, Henfry, Surya,
mb. Anas, dan teman yang tidak bisa saya sebutkan, yang selalu
menyemangati, menghibur, memberi inspirasi, dan membantu
penulis dalam menyelesaikan tugas akhir ini.
Yogyakarta, 18 Juli 2013
Penulis
xi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR ISI
HALAMAN PERSETUJUAN ................................................................................ ii
HALAMAN PENGESAHAN ................................................................................ iii
PERNYATAAN KEASLIAN KARYA ................................................................ iv
HALAMAN MOTO ............................................................................................... v
HALAMAN PERSEMBAHAN ............................................................................ vi
ABSTRAKSI ........................................................................................................ vii
ABSTRACT ......................................................................................................... viii
LEMBAR PERNYATAAN PERSETUJUAN ...................................................... ix
KATA PENGANTAR ............................................................................................ x
DAFTAR ISI ......................................................................................................... xii
DAFTAR GAMBAR ........................................................................................... xvi
DAFTAR TABEL ............................................................................................... xvii
DAFTAR QUERY BASIS DATA........................................................................ xx
DAFTAR LIST CODE ........................................................................................ xxi
DAFTAR GRAFIK ............................................................................................. xxii
DAFTAR LAMPIRAN ...................................................................................... xxiii
BAB I ...................................................................................................................... 1
PENDAHULUAN .................................................................................................. 1
1.1. Latar Belakang Permasalahan .................................................................. 1
1.2. Rumusan Masalah .................................................................................... 3
1.3. Batasan ..................................................................................................... 4
1.4. Tujuan Penelitian ...................................................................................... 5
1.5. Manfaat Penelitian .................................................................................... 6
xii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1.6. Metode Penelitian ..................................................................................... 7
1.7. Luaran ....................................................................................................... 8
1.8. Sistematika Penulisan ............................................................................... 9
BAB II ................................................................................................................... 10
LANDASAN TEORI ............................................................................................ 10
2.1. Gambaran Umum Lokasi Penelitian ...................................................... 10
2.1.1. Gambaran Umum Kondisi Kesehatan Masyarakat ......................... 12
2.1.2. Penyakit Paru – Paru di Puskesmas Jebed ...................................... 12
2.2. Penyakit Paru – Paru .............................................................................. 14
2.3. Information Retrieval ............................................................................. 16
2.4. Indexing .................................................................................................. 18
2.5. Term Frequency ..................................................................................... 21
2.6. Tokenizing .............................................................................................. 24
2.7. Stemming ................................................................................................ 25
2.7.1. Porter Stemmer Algorithm .............................................................. 26
2.7.2. Aturan Algoritma Porter untuk Bahasa Indonesia .......................... 27
2.8. Vector Space Model ................................................................................ 30
2.9. Extended Boolean Model ........................................................................ 32
2.10. Probabilistic Model ............................................................................ 36
2.10.1. Probability Ranking Principle (PRP) .......................................... 38
2.11. Algoritma Evaluasi: Recall – Precission ............................................ 45
BAB III ................................................................................................................. 46
ANALISIS DAN PERANCANGAN .................................................................... 46
3.1 Deskripsi Kasus ...................................................................................... 46
3.2 Cara Penyelesaian Masalah .................................................................... 48
xiii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3.2.1 Indexing ........................................................................................... 48
3.2.2 Pemrosesan Query ........................................................................... 52
3.2.3 Permodelan ...................................................................................... 53
3.3 Diagram dan Skenario Use Case ............................................................ 54
3.4 Perancangan Sistem ................................................................................ 65
3.4.1 Langkah penelitian .......................................................................... 65
3.4.2 Perancangan Basis Data .................................................................. 67
3.4.3 Desain Antarmuka ........................................................................... 71
3.4.4 Cara Pengujian dan Analisa Hasil ................................................... 73
3.4.5 Class Diagram ................................................................................ 74
3.5. Perhitungan Contoh Kasus ..................................................................... 77
3.5.1 Vector Space Model ........................................................................ 81
3.5.2 Extended Boolean Model ................................................................ 83
3.5.3 Probabilistic Model ......................................................................... 85
BAB IV ................................................................................................................. 87
IMPLEMENTASI ................................................................................................. 87
4.1. Spesifikasi Perangkat Keras dan Lunak ................................................. 87
4.2. Implementasi Tabel Basis Data .............................................................. 88
4.3. Implementasi Kelas Indexing ................................................................. 89
4.3.1. Proses Indexing ............................................................................... 90
4.3.2. Pemisahan Kata (Tokenizing) .......................................................... 90
4.3.3. Stemming ......................................................................................... 91
4.3.4. Pembacaan File Dokumen .............................................................. 97
4.3.5. Stopword Removal .......................................................................... 99
4.3.6. Penyimpanan pada Basis Data ...................................................... 100
xiv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4.3.7. Penambahan Dokumen.................................................................. 104
4.3.8. Perubahan Dokumen ..................................................................... 105
4.3.9. Penambahan Stopword .................................................................. 108
4.3.10. Perubahan Stopword .................................................................. 109
4.4. Implementasi Proses Query Processing ............................................... 112
4.5. Implementasi Proses Searching ............................................................ 113
4.5.1. Probabilistic Model (PM) ............................................................. 117
4.5.2. Vector Space Model (VSM) .......................................................... 121
4.5.3. Extended Boolean Model (EBM) .................................................. 123
BAB V ................................................................................................................. 125
HASIL DAN PEMBAHASAN ........................................................................... 125
5.1. Hasil Pengukuran (kuesioner) .............................................................. 125
5.2. Analisa Unjuk Kerja Model ................................................................. 141
5.3. Perbandingan Lama Waktu Pencarian.................................................. 151
5.4. Perhitungan Akurasi Differential Diagnose Sistem ............................. 155
BAB VI ............................................................................................................... 158
KESIMPULAN DAN SARAN ........................................................................... 158
6.1. Kesimpulan ........................................................................................... 158
6.2. Saran ..................................................................................................... 159
DAFTAR PUSTAKA ......................................................................................... 160
LAMPIRAN ........................................................................................................ 162
xv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR GAMBAR
Gambar 2. 1 Kerangka dari sistem IR sederhana (P. Ingwersen, 1992) ............. 17
Gambar 2. 2 Operasi teks logical view dari sebuah dokumen ............................. 20
Gambar 2. 3 Proses tokenizing ............................................................................. 24
Gambar 2. 4 Desain dari Porter Stemmer for Bahasa Indonesia .......................... 26
Gambar 2. 5 Vector Space Model ........................................................................ 30
Gambar 2. 6 Contoh perhitungan peringkat menggunakan persamaan 26 .......... 43
Gambar 2. 7 Contoh perhitungan peringkat menggunakan persamaan 27 .......... 44
Gambar 2. 8 Contoh recall dan precision hasil IR............................................... 45
Gambar 3. 1 Gambar flowchart Porter Stemmer yang diimplementasikan ......... 49
Gambar 3. 2 Rancangan flowchart stored procedure indexing database ............ 50
Gambar 3. 3 Rancangan proses perhitungan binary tf ......................................... 51
Gambar 3. 4 Rancangan pemrosesan query ......................................................... 52
Gambar 3. 5 Rancangan proses pencarian ........................................................... 53
Gambar 3. 6 Diagram Use Case ........................................................................... 54
Gambar 3. 7 Diagram blok (indexing) ................................................................. 66
Gambar 3. 8 Diagram blok (searching) ............................................................... 66
Gambar 3. 9 ER Diagram..................................................................................... 67
Gambar 3. 10 Relasi antar tabel ........................................................................... 67
Gambar 3. 11 Desain menu utama MainForm ..................................................... 71
Gambar 3. 12 Desain menu DiagnoseForm ......................................................... 72
Gambar 3. 13 Desain menu DaftarForm untuk mengelola dokumen .................. 72
Gambar 3. 14 Desain menu StopwordsForm untuk mengelola kata buang ......... 73
Gambar 3. 15 Diagram kelas keseluruhan ........................................................... 74
Gambar 3. 16 Diagram kelas proses indexing ...................................................... 75
Gambar 3. 17 Diagram kelas untuk proses searching.......................................... 76
Gambar 5. 1 Hasil pencarian PM query 1 .......................................................... 134
Gambar 5. 2 Hasil pencarian VSM query 1 ....................................................... 134
Gambar 5. 3 Hasil pencarian EBM query 1 ....................................................... 134
xvi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR TABEL
Tabel 2. 1 Tabel Detail Penduduk ......................................................................... 11
Tabel 2. 2 Gambaran lima besar penyakit di Puskesmas Jebed ............................ 13
Tabel 2. 3 10 besar penyakit paru – paru Puskesmas Jebed.................................. 13
Tabel 2. 4 Tabel gejala umum penyakit paru - paru ............................................. 14
Tabel 2. 5 Perbedaan sistem data retrieval dan sistem information retrieval ...... 16
Tabel 2. 6 Kelompok rule pertama: inflectional particles .................................... 27
Tabel 2. 7 Kelompok rule kedua: inflectional possesive pronouns ...................... 28
Tabel 2. 8 Kelompok rule ketiga: first order of derivational prefixes .................. 28
Tabel 2. 9 Kelompok rule keempat: second order of derivational prefixes ......... 29
Tabel 2. 10 Kelompok rule kelima: derivational suffixes ..................................... 29
Tabel 2. 11 Tabel persamaan perhitungan ukuran kesamaan dalam EBM ........... 35
Tabel 2. 12 Contingency Table (Baeza-Yates dan Ribeiro-Neto, 2011)............... 41
Tabel 3. 1 Contoh penggunaan binary TF ............................................................ 50
Tabel 3. 2 Tabel skenario case Differential Diagnose .......................................... 55
Tabel 3. 3 Tabel skenario case Melihat Dokumen ................................................ 56
Tabel 3. 4 Tabel skenario case Menambah Dokumen .......................................... 56
Tabel 3. 5 Tabel skenario case Mengubah Dokumen ........................................... 58
Tabel 3. 6 Tabel skenario case Melihat Stopword ................................................ 59
Tabel 3. 7 Tabel skenario case Mengubah Stopword ........................................... 59
Tabel 3. 8 Tabel skenario case Mengubah Stopword ........................................... 60
Tabel 3. 9 Tabel skenario case Memasukkan Default Stopword .......................... 61
Tabel 3. 10 Tabel skenario case Pengaturan Sistem: Setting General .................. 62
Tabel 3. 11 Tabel skenario case Pengaturan Sistem: Setting Algoritma .............. 63
Tabel 3. 12 Tabel skenario case Pengaturan Sistem: Setting Koneksi ................. 64
Tabel 3. 13 Keterangan tabel dokumen pada basis data ....................................... 68
Tabel 3. 14 Keterangan tabel kata_dasar pada basis data ..................................... 69
Tabel 3. 15 Keterangan tabel dokumen_kata pada basis data ............................... 69
Tabel 3. 16 Keterangan tabel kata_stop pada basis data ....................................... 70
xvii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Tabel 3. 17 Keterangan tabel dictionary pada basis data ...................................... 71
Tabel 3. 18 Tabel pendataan token ....................................................................... 78
Tabel 3. 19 Tabel pengurutan dan pengelompokan token .................................... 79
Tabel 3. 20 Tabel frekuensi kata dalam dokumen contoh .................................... 80
Tabel 3. 21 Perhitungan idf menggunakan persamaan log𝑁𝑁𝑁𝑁𝑁𝑁 ............................ 80
Tabel 3. 22 Perhitungan w dokumen dan query contoh kasus (VSM) .................. 81
Tabel 3. 23 Perhitungan w dokumen dan query contoh kasus (EBM) .................. 83
Tabel 3. 24 Contingency table PM ........................................................................ 85
Tabel 3. 25 Perhitungan w dokumen contoh kasus (PM)...................................... 86
Tabel 3. 26 Tabel pengurutan dokumen PM ......................................................... 86
Tabel 5. 1 Daftar query ...................................................................................... 126
Tabel 5. 2 Rekap kemungkinan differential diagnose query 1 .......................... 128
Tabel 5. 3 Rekap differential diagnose query 2 ................................................. 128
Tabel 5. 4 Rekap differential diagnose query 3 ................................................. 129
Tabel 5. 5 Rekap differential diagnose query 4 ................................................. 129
Tabel 5. 6 Rekap differential diagnose query 5 ................................................. 129
Tabel 5. 7 Rekap differential diagnose query 6 ................................................. 130
Tabel 5. 8 Rekap differential diagnose query 7 ................................................. 130
Tabel 5. 9 Rekap differential diagnose query 8 ................................................. 130
Tabel 5. 10 Rekap differential diagnose query 9 ............................................... 130
Tabel 5. 11 Rekap differential diagnose query 10 ............................................. 131
Tabel 5. 12 Rekap differential diagnose query 11 ............................................. 131
Tabel 5. 13 Rekap differential diagnose query 12 ............................................. 131
Tabel 5. 14 Rekap differential diagnose query 13 ............................................. 131
Tabel 5. 15 Rekap differential diagnose query 14 ............................................. 132
Tabel 5. 16 Rekap differential diagnose query 15 ............................................. 132
Tabel 5. 17 Rekap differential diagnose query 16 ............................................. 132
Tabel 5. 18 Rekap differential diagnose query 17 ............................................. 132
Tabel 5. 19 Rekap differential diagnose query 18 ............................................. 133
Tabel 5. 20 Rekap differential diagnose query 19 ............................................. 133
Tabel 5. 21 Rekap differential diagnose query 20 ............................................. 133
xviii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Tabel 5. 22 Rekap differential diagnose query 21 ............................................. 133
Tabel 5. 23 Precision-Recall responden R1 pada query 1 (PM)........................ 135
Tabel 5. 24 Maksimal precision setiap titik recall R1 pada query 1 (PM) ........ 135
Tabel 5. 25 Precision-Recall responden R1 pada query 1 (VSM) ..................... 135
Tabel 5. 26 Maksimal precision setiap titik recall R1 pada query 1 (VSM) ..... 136
Tabel 5. 27 Precision-Recall responden R1 pada query 1 (EBM) ..................... 136
Tabel 5. 28 Maksimal precision setiap titik recall R1 pada query 1 (EBM) ..... 136
Tabel 5. 29 Perhitungan interpolasi responden R1 untuk query 1 (PM) ............ 137
Tabel 5. 30 Perhitungan interpolasi responden R1 untuk query 1 (VSM) ......... 138
Tabel 5. 31 Perhitungan interpolasi responden R1 untuk query 1 (EBM) ......... 138
Tabel 5. 32 Perhitungan rerata interpolasi (PM) ................................................ 142
Tabel 5. 33 Perhitungan rerata interpolasi (VSM) ............................................. 142
Tabel 5. 34 Perhitungan rerata interpolasi (EBM) ............................................. 143
Tabel 5. 35 Daftar penurunan nilai precision PM .............................................. 145
Tabel 5. 36 Daftar penurunan nilai precision VSM ........................................... 146
Tabel 5. 37 Daftar penurunan nilai precision EBM ........................................... 148
Tabel 5. 38 Perhitungan rerata interpolasi seluruh model beserta nilai penurunan
terhadap optimal .................................................................................................. 148
Tabel 5. 39 Tabel perbandingan nilai penurunan precision seluruh model ....... 150
Tabel 5. 40 Daftar waktu pencarian (PM) .......................................................... 152
Tabel 5. 41 Daftar waktu pencarian (VSM) ....................................................... 153
Tabel 5. 42 Daftar waktu pencarian (EBM) ....................................................... 153
Tabel 5. 43 Tabel perbandingan waktu pencarian ............................................. 154
Tabel 5. 44 Diagnose penyakit untuk setiap query ............................................ 156
Tabel 5. 45 Perhitungan akurasi model .............................................................. 157
Tabel 6. 1 Perbandingan rerata penurunan interpolasi model mengacu pada tabel
5.39 ...................................................................................................................... 158
Tabel 6. 2 Perbandingan algoritma mengacu pada tabel 5.39, 5.43, dan 5.45 ... 159
xix
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR QUERY BASIS DATA
Query 4. 1 Query DDL tabel dokumen ................................................................ 88
Query 4. 2 Query DDL tabel katadasar ................................................................ 88
Query 4. 3 Query DDL tabel katastop ................................................................. 88
Query 4. 4 Query DDL tabel dokumen_kata ....................................................... 89
Query 4. 5 Query DDL tabel dictionary............................................................... 89
Query 4. 6 Query SQL_CEKKATA .................................................................. 100
Query 4. 7 Stored procedure insert_dokumen_table .......................................... 101
Query 4. 8 Stored procedure insertKata ............................................................. 103
xx
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR LIST CODE
List Code 4. 1 List indexingDokumen .................................................................. 90
List Code 4. 2 Penggunaan metode replaceAll .................................................... 90
List Code 4. 3 Penggunaan metode split .............................................................. 91
List Code 4. 4 Stemming ...................................................................................... 92
List Code 4. 5 List rule1 ....................................................................................... 92
List Code 4. 6 List rule2 ....................................................................................... 93
List Code 4. 7 List rule3 ....................................................................................... 94
List Code 4. 8 List rule4 ...................................................................................... 95
List Code 4. 9 List rule5 ....................................................................................... 96
List Code 4. 10 getCountWord ............................................................................ 97
List Code 4. 11 List pembacaan dokumen .......................................................... 98
List Code 4. 12 Stopword removal .................................................................... 100
List Code 4. 13 List insertDokumen ................................................................. 102
List Code 4. 14 Penambahan Dokumen ............................................................. 105
List Code 4. 15 List ubahIsiDokumen .............................................................. 107
List Code 4. 16 List penambahan stopword ....................................................... 109
List Code 4. 17 List perubahan stopword .......................................................... 111
List Code 4. 18 List pemrosesan query .............................................................. 113
List Code 4. 19 List getIndex ............................................................................ 115
List Code 4. 20 List getSimilarity ...................................................................... 116
List Code 4. 21 List hitungBobotPerKata .......................................................... 117
List Code 4. 22 List getDokumenRelevanByQuery .......................................... 118
List Code 4. 23 getDFRelevan ........................................................................... 119
List Code 4. 24 similarity (PM) ......................................................................... 121
List Code 4. 25 similarity (VSM) ..................................................................... 123
List Code 4. 26 similarity (EBM) ...................................................................... 124
xxi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR GRAFIK
Grafik 5. 1 Grafik interpolasi responden R1 untuk query 1 (PM) ..................... 139
Grafik 5. 2 Grafik interpolasi responden R1 untuk query 1 (VSM) .................. 139
Grafik 5. 3 Grafik interpolasi responden R1 untuk query 1 (EBM) .................. 140
Grafik 5. 4 Grafik unjuk kerja PM pada pencarian query .................................. 144
Grafik 5. 5 Grafik unjuk kerja VSM pada pencarian query ............................... 145
Grafik 5. 6 Grafik unjuk kerja EBM pada pencarian query ............................... 147
Grafik 5. 7 Grafik interpolasi seluruh model ..................................................... 149
xxii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR LAMPIRAN
Lampiran 1 Contoh Form Kuesioner ................................................................. 163
Lampiran 2 Query Gejala ................................................................................... 169
Lampiran 3 Kuesioner Responden 1 .................................................................. 171
Lampiran 4 Kuesioner Responden 2 .................................................................. 176
Lampiran 5 Kuesioner Responden 3 .................................................................. 181
Lampiran 6 Kuesioner Responden 4 .................................................................. 186
Lampiran 7 Hasil Perhitungan Precision Semua Responden (PM) ................... 191
Lampiran 8 Hasil Perhitungan Precision Semua Responden (VSM) ................ 199
Lampiran 9 Hasil Perhitungan Precision Semua Responden (EBM) ................ 207
Lampiran 10 Tabel Interpolasi Semua Query (PM) ........................................... 215
Lampiran 11 Tabel Interpolasi Semua Query (VSM) ........................................ 216
Lampiran 12 Tabel Interpolasi Semua Query (EBM) ........................................ 217
Lampiran 13 Source Code Program ................................................................... 218
xxiii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB I
PENDAHULUAN
1.1. Latar Belakang Permasalahan
Paru – paru adalah organ tubuh manusia yang terdapat di dalam
dada. Paru – paru berfungsi sebagai tempat pertukaran oksigen dan
mengeluarkan karbondioksida dari darah dengan bantuan hemoglobin.
Manusia membutuhkan pasokan oksigen secara terus – menerus untuk
proses respirasi sel, dan membuang kelebihan karbondioksida sebagai
limbah beracun produk dari proses tersebut. Pertukaran gas antara oksigen
dengan karbondioksida dilakukan agar proses respirasi sel terus
berlangsung. Oksigen yang dibutuhkan untuk proses respirasi sel ini
berasal dari atmosfer, yang menyediakan kandungan gas oksigen sebanyak
21% dari seluruh gas yang ada. Oksigen masuk kedalam tubuh melalui
perantaraan alat pernapasan yang berada di luar. Pada manusia, alveolus
yang terdapat di paru – paru berfungsi sebagai permukaan untuk tempat
pertukaran gas.
Kekurangan pasokan oksigen selama selang waktu diluar ambang
batas kemampuan seseorang dapat menyebabkan kematian (PDPI, 2003).
Dengan demikian, mendapatkan oksigen merupakan kebutuhan primer
yang harus dipenuhi oleh seseorang. Udara bersih yang kaya akan oksigen
1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
sangat dibutuhkan oleh sistem pernapasan manusia untuk melakukan
proses metabolisme. Akan tetapi, udara yang tercemar dapat merusak
fungsi dari paru – paru, atau bahkan merusak paru – paru secara fisik.
Dampak kesehatan dari pencemaran udara yang paling umum
dijumpai adalah INSA (infeksi saluran napas atas), termasuk di antaranya,
asma, bronkitis, dan gangguan pernapasan lainnya. Beberapa zat pencemar
dikategorikan sebagai toksik dan karsinogenik (PDPI, 2003). Sebagai
contoh dampak dari pencemaran udara di Jakarta yang berkaitan dengan
kematian prematur, perawatan rumah sakit, berkurangnya hari kerja
efektif, dan INSA pada tahun 1998 senilai dengan 1,8 trilyun rupiah dan
akan meningkat menjadi 4,3 trilyun rupiah di tahun 2015 (DEPKES
RI,2000).
Tingginya tingkat pencemaran udara di Indonesia menjadi salah
satu faktor penyebab terjangkitnya penyakit paru – paru. Penyakit paru –
paru dapat menyerang manusia di segala usia. Beberapa penyakit paru –
paru mempunyai gejala umum yang sama, seperti batuk, sesak nafas,
mengi, ataupun nyeri di dada. Hal tersebut menyebabkan kemunculan
sejumlah penyakit pada differential diagnose.
Differential diagnose merupakan tahap sebelum diagnose dan
ditentukan berdasarkan pada gejala yang ditemukan pertama kali. Pada
tahap ini, diagnose penyakit yang pasti belum dapat disimpulkan tetapi
hanya kemungkinan – kemungkinan penyakit yang muncul dari gejala
yang ditemukan (DEPKES RI,2000). Petugas pelayanan kesehatan,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
khususnya pada bagian poli umum, dengan berdasarkan pada pengamatan
gejala pasien, akan menemukan sejumlah penyakit yang mungkin terjadi
(differential diagnose). Hal ini tidak menutup kemungkinan adanya
kesalahan differential diagnose penyakit pasien. Kesalahan pada
differential diagnose akan berimbas pada kesalahan pemberian obat,
dengan demikian pasien mengkonsumsi obat yang seharusnya tidak
dikonsumsi.
Perkembangan teknologi dapat membantu dalam penentuan
differential diagnose. Komputerisasi dilakukan dengan memanfaatkan
algoritma pada ilmu information retrieval (temu kembali informasi).
Komputerisasi pada differential diagnose ini bukan merupakan hal yang
mudah. Hal ini dikarenakan gejala umum pada tiap penyakit yang akan
dijadikan model bukan merupakan dokumen panjang. Model dari tiap
penyakit biasanya hanya terdiri dari 5 – 10 gejala umum. Hal ini berbeda
dengan penerapan ilmu information retrieval pada umumnya, yaitu
menggunakan dokumen dengan jumlah kata atau kalimat dalam jumlah
yang besar (dokumen panjang).
1.2. Rumusan Masalah
Berdasarkan pada latar belakang permasalahan, maka masalah
yang akan dibahas pada tulisan ini adalah:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
1. Bagaimana membangun sistem rekomendasi differential
diagnose penyakit paru – paru yang dapat melakukan
differential diagnose dengan baik berbasis pada information
retrieval dengan menggunakan dokumen pendek? Dokumen
pendek adalah dokumen yang berjumlah kata maksimal 30
kata.
2. Bagaimana unjuk kerja algoritma extended boolean model,
vector space model: cosine similarity,dan probabilistic model
untuk dokumen pendek pada sistem rekomendasi differential
diagnose penyakit paru – paru secara akurat?
3. Bagaimana keakuratan algoritma information retrieval
(extended boolean model, vector space model: cosine
similarity,dan probabilistic model) untuk dokumen pendek
pada sistem rekomendasi differential diagnose penyakit paru –
paru?
1.3. Batasan
Dengan permasalahan yang terjadi dan telah diungkapkan di atas,
penulis bermaksud menyusun skripsi dengan judul “Uji Algoritma
Probabilistic Model, Vector Space Model, dan Extended Boolean Model
Pada Sistem Rekomendasi Differential Diagnose Penyakit Paru - Paru”.
Batasan yang akan diambil dalam skripsi ini adalah sebagai berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
1. Studi kasus hanya dilakukan di Puskesmas Jebed Pemalang.
2. Melakukan differential diagnose hanya pada penyakit paru –
paru yang termasuk sepuluh besar di Puskesmas Jebed.
3. Data yang digunakan dari tahun 2009 hingga tahun 2011.
4. Differential diagnose hanya dilakukan berdasarkan gejala
awal, penyakit yang awal diagnose dengan cek lab tidak
digunakan.
5. Differential diagnose lanjutan berdasar hasil cek lab tidak akan
dibahas.
6. Sistem rekomendasi yang dibangun tidak menangani
pemberian saran terkait (langkah lanjutan yang dilakukan).
7. Differential diagnose dilakukan secara terkomputerisasi
dengan penerapan teknologi informatika, ilmu information
retrieval.
8. Algoritma information retrieval yang digunakan adalah
extended boolean model, vector space model: cosine
similarity,dan probabilistic model.
1.4. Tujuan Penelitian
Tujuan yang akan dicapai dalam penulisan skripsi ini adalah:
1. Mengkaji algoritma extended boolean model, vector space
model: cosine similarity, dan probabilistic model untuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
dokumen pendek yang akan diterapkan pada sistem
rekomendasi differential diagnose penyakit paru – paru.
2. Melakukan implementasi algoritma extended boolean model,
vector space model: cosine similarity,dan probabilistic model
dengan menggunakan dokumen pendek pada sistem
rekomendasi differential diagnose penyakit paru – paru.
3. Melakukan pengujian aplikasi yang telah dibangun
menggunakan algoritma recall – precission untuk mengetahui
algoritma information retrieval terbaik untuk menangani
differential diagnose penyakit paru – paru menggunakan
dokumen pendek.
1.5. Manfaat Penelitian
Manfaat dari pembangunan perangkat lunak sistem rekomendasi
differential diagnose penyakit paru – paru ini adalah membantu
mengkonversi gejala – gejala yang muncul dari pengamatan terhadap
pasien menjadi sebuah rekomendasi differential diagnose penyakit paru –
paru secara tepat, cepat, akurat, dan efisien dengan algoritma yang
menghasilkan nilai paling baik. Tidak hanya itu, pembangunan perangkat
lunak ini sekaligus menguji algoritma pada dokumen pendek. Dengan
demikian pengujian algoritma extended boolean model, vector space
model: cosine similarity,dan probabilistic model perlu dilakukan untuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
menentukan algoritma yang paling baik pada dokumen pendek. Dengan
penerapan algoritma terbaik, sistem diharapkan dapat membantu peran
pelaku pelayanan kesehatan dalam menentukan tindak lanjut sebagai
penanganan serta dasar pengambilan diagnose akhir pada penyakit paru –
paru.
1.6. Metode Penelitian
Metode penelitian yang digunakan adalah:
1. Studi Pustaka: metode studi pustaka ini dilakukan dengan
mengambil referensi dari internet, buku, dan jurnal penelitian
yang berhubungan dengan konsep information retrieval serta
penyakit paru – paru.
2. Analisis dan Perancangan Sistem: melakukan analisis kebutuhan
dari sistem yang akan dibangun. Dilanjutkan dengan
perancangan sistem yang akan diimplementasikan menjadi
sebuah sistem yang dapat berjalan dengan baik dan sesuai
dengan yang diharapkan.
3. Implementasi Sistem: implementasi sistem menggunakan dasar
analisa desain sistem yang telah dibuat. Melakukan eksplorasi
dan penerapan algoritma extended boolean model, vector space
model: cosine similarity,dan probabilistic model.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
4. Evaluasi Algoritma Sistem: pengujian algoritma extended
boolean model, vector space model: cosine similarity, dan
probabilistic model pada perhitungan kemiripan gejala.
5. Pengujian dan Perbaikan: perangkat lunak yang telah dibangun
diuji untuk meminimalkan error dan dapat bekerja dengan baik
secara akurat.
6. Analisis Luaran Sistem: melakukan pengujian perangkat lunak
dan pengkajian berdasarkan data uji serta menghitung akurasi
menggunakan algoritma recall – precission. Ketiga algoritma
information retrieval akan dikaji berdasarkan penurunan
terhadap nilai optimal (1.0), waktu pencarian, serta akurasi
untuk menentukan algoritma terbaik yang diterapkan pada
perangkat lunak.
7. Kesimpulan dan Saran: membuat kesimpulan dan saran dari
seluruh tahapan yang dilalui.
1.7. Luaran
Luaran dari penelitian ini adalah terciptanya perangkat lunak
“Sistem Rekomendasi Differntial Diagnose Penyakit Paru - Paru”
menggunakan algoritma information retrieval (extended boolean model,
vector space model: cosine similarity,dan probabilistic model) yang
diterapkan pada dokumen pendek.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
1.8. Sistematika Penulisan
Tulisan ini akan dibahas dalam enam (6) bab, yaitu sebagai
berikut:
Bab I : berisi pendahuluan yang membahas latar belakang
permasalahan, rumusan masalah yang berisi masalah yang
akan dibahas pada tulisan ini, batasan yang dibahas, tujuan
penelitian, manfaat penelitian, metodologi, luaran, dan
sistematika penulisan.
Bab II : berisi review literatur yang digunakan sebagai sebagai acuan
penulisan.
Bab III : berisi analisis dan perancangan sebagai acuan dalam
implementasi sistem rekomendasi differential diagnose
penyakit paru – paru.
Bab IV : berisi implementasi sistem.
Bab V : berisi hasil dan analisa dari penelitian yang telah dilakukan.
BAB VI : berisi kesimpulan dari analisa berdasar metode dan literatur
yang ada, serta saran yang diberikan untuk pengembangan
sistem.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB II
LANDASAN TEORI
Differential diagnose adalah penentuan dua atau lebih penyakit
atau kondisi yang diderita pasien dengan membandingkan dan mengontraskan
secara sistematis hasil – hasil tindakan diagnostik
(www.kamuskesehatan.com, 2012). Perkembangan teknologi dapat
diupayakan untuk berperan membantu proses differential diagnose.
Pendekatan yang digunakan adalah memanfaatkan algoritma pada
information retrieval. Pendekatan ini tergolong berbeda karena dokumen /
model yang digunakan merupakan sebuah dokumen pendek. Untuk lebih
jelasnya pada bab ini akan dibahas mengenai teori-teori apa saja yang akan
digunakan untuk menunjang penulisan.
2.1. Gambaran Umum Lokasi Penelitian
Puskesmas Jebed adalah salah satu unit pelayanan kesehatan di
Kabupaten Pemalang. Terletak di Kecamatan Taman, di desa Jebed
Selatan. Wilayah kerjanya terdiri atas 11 desa dengan jumlah penduduk
sekitar 78.000 jiwa. Desa yang ditangani adalah sebagai berikut:
1. Jebed Utara
10
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
2. Jebed Selatan
3. Cibelok
4. Kaligelang
5. Penggarit
6. Kejambon
7. Sokawangi
8. Pener
9. Gondang
10. Jerakah
11. Sitemu
Sedangkan dari 11 desa yang ditangani, jumlah penduduk yang
ditangani oleh Puskesmas Jebed adalah sebagai berikut:
Tabel 2. 1 Tabel Detail Penduduk
Laki - Laki (Tahun) 0-4 5-14 15-44 45-64 >=65 JML
Jumlah 4.375 8.706 17.709 6.031 2.160 38.960
Perempuan (Tahun) 0-4 5-14 15-44 45-64 >=65 JML
Jumlah 4.123 8.377 18.168 5.740 2.537 38.945
Detail keterangan Puskesmas Jebed adalah sebagai berikut:
Nama : Pusat Kesehatan Masyarakat Jebed
Kode UPK : P3327090203
Alamat : Jl. Raya Jebed Selatan, Jebed
Telp : (0284) 5800082
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
Kepala (Plt) : dr. Paulus Setiawan R.
Jumlah Desa : 11
Hari Pelayanan : Senin – Sabtu
Jam Pelayanan : 07.30 – 14.00 WIB
2.1.1. Gambaran Umum Kondisi Kesehatan Masyarakat
Menurut Kepala Puskesmas Jebed, kesadaran masyarakat tentang
kesehatan dapat dikatakan sangat kurang sekali. Kondisi ekonomi
masyarakat yang didominasi oleh masyarakat dengan taraf menengah ke
bawah, juga mempengaruhi pola hidup masyarakat yang jauh dari hidup
sehat. Sebagai contoh, masyarakat Desa Sokawangi menggunakan air
sungai yang kotor sebagai sarana untuk kegiatan MCK dan juga untuk
kegiatan memasak. Penularan penyakit juga dapat dikatakan mudah
terjadi, hal ini dikarenakan pengetahuan masyarakat tentang bahaya
penyakit dan penularannya sangat kurang.
2.1.2. Penyakit Paru – Paru di Puskesmas Jebed
Menurut Kepala Puskesmas Jebed, puskesmas ini menangani
beberapa jenis penyakit yang termasuk ke dalam penyakit paru – paru.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
Penyakit paru – paru termasuk ke dalam penyakit yang mendapatkan
perhatian khusus. Berikut adalah gambaran lima (5) besar penyakit yang
ditangani Puskesmas Jebed.
Tabel 2. 2 Gambaran lima besar penyakit di Puskesmas Jebed
Kategori Penyakit 2009 2010 2011 Gangguan dan Infeksi Pencernaan 2.238 2.395 2.306 Nasopharingitis Akuta (common cold) ISPA dan Penyakit Paru 2.202 2.263 2.243 Gastrtitis 695 683 583 Rhumatoid Arthritis Lain 763 663 465 Penyakit Kulit dan Infeksi Lain 590 467 410
Berikut adalah rekapan 10 besar penyakit paru – paru yang
ditangani oleh Puskesmas Jebed.
Tabel 2. 3 10 besar penyakit paru – paru Puskesmas Jebed
Penyakit Paru 2009 2010 2011 Asma 607 579 600 TB Paru 189 196 207 Displasia Bronkopulmoner 175 158 159 Bronkiolitis 120 141 152 Asbestosis 143 140 139 Silikosis 138 120 133 Fibrosis Paru 112 106 94 TB Paru BTA - Rontgen + 93 98 91 Emfisema 88 94 93 Pneumonia 60 80 110
Dari tabel 2.3 dapat dilihat bahwa, penyakit asma merupakan
penyumbang terbanyak pada kategori ISPA dan penyakit paru – paru.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
2.2. Penyakit Paru – Paru
Penyakit paru – paru sangat bervariasi jenisnya. Penyebab penyakit
paru – paru juga dapat dikatakan sangat bervariasi, dari udara yang
tercemar, perpindahan bakteri penyakit, hingga masuknya virus ke dalam
rongga paru – paru. Menurut pedoman penganggulangan penyakit yang
dikeluarkan oleh pemerintah Indonesia, gejala – gejala umum yang ada
pada penyakit paru – paru dapat dilihat pada tabel 2.2. Penyakit yang
diambil merupakan penyakit yang sering ditemui pada Puskesmas Jebed.
Tabel 2. 4 Tabel gejala umum penyakit paru - paru
Penyakit Gejala Umum
Bronkiolitis Batuk kering serak, batuk terus menerus, bernapas
cepat, demam, denyut jantung cepat, rinorea, hidung
tersumbat, sesak napas, mengi, muntah setelah
makan, napas cuping hidung, ada riwayat infeksi
saluran napas, retraksi dinding dada, dan riwayat
kontak dengan penderita infeksi saluran napas.
Silikosis
Demam, batuk kronis, bernapas cepat, tidak selera
makan, mudah lelah, riwayat pekerjaan kontak
dengan silikon, sesak napas, penurunan berat badan,
dan sakit di dada.
Displasia
Bronkopulmoner
Batuk kronis, bernapas cepat, warna biru pada kulit,
sianosis, mengi, postur leher buruk, postur bahu
buruk, postur badan buruk, sesak napas, dan perkusi
dada terdapat bagian yang redup.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
Asbestosis
Demam , batuk kronis, bernapas cepat, tidak selera
makan, mudah lelah, riwayat pekerjaan kontak
dengan asbes, sesak napas, penurunan berat badan,
dan sakit di dada.
Fibrosis Paru
Batuk kering, kelelahan, kelemahan pada tangan,
nyeri otot (mialgia), pembuluh darah bengkak pada
putih mata, penurunan berat badan yang tidak
diinginkan, rasa sakit pada persendian, ruam kulit
yang gatal, dan sesak napas.
Asma
Batuk, dada sesak, warna biru pada kulit, sianosis,
mengi, sakit di dada, sesak napas, napas cuping
hidung, bernapas dengan melibatkan otot bantu
pernapasan, pada keadaan tenang bisa tanpa gejala
dan nampak sehat, ada pemicu serangan (alergi,
stress emosional, kelelahan infeksi), dan eksperium
diperpanjang.
TBC
Batuk terus menerus, Batuk bberdahak selama 3
(tiga) minggu atau lebih, batuk bercampur darah,
sesak napas, nyeri dada, badan lemah, nafsu makan
menurun, berat badan turun, kurang enak badan,
malaise, berkeringat pada malam hari, riwayat
kontak dengan penderita TBC, panas nglemeng, dan
pembesaran limfonodi leher.
Tabel 2.4 merupakan pedoman gejala umum untuk melakukan
differential diagnose pada penyakit paru – paru di Indonesia. Tabel 2.4
merupakan kesimpulan survei yang dilakukan Ikatan Dokter Indonesia
(IDI) dan pemerintah Indonesia dari hasil pengamatan pada pasien
penderita penyakit paru – paru (DEPKES RI, 2007).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
2.3. Information Retrieval
ISO 2382/1 mendefinisikan Information Retrieval (IR) sebagai
tindakan, metode dan prosedur untuk menemukan kembali data yang
tersimpan, kemudian menyediakan informasi mengenai subyek yang
dibutuhkan. Informasi termasuk pengetahuan terkait yang dibutuhkan
untuk mendukung penyelesaian masalah dan akuisisi pengetahuan.
Menurut Lancaster (1968), sebuah sistem information retrieval tidak
memberitahu pengguna mengenai masalah yang ditanyakannya. Sistem
tersebut hanya memberitahukan keberadaan atau ketidakberadaan dan
keterangan dokumen – dokumen yang berhubungan dengan permintaannya
(van Rijsbergen, 1979). Dengan demikian, sistem IR hanya
memberitahukan keberadaan serta keterangan dokumen berdasarkan query
dari pengguna. Sifat pencarian sistem IR berbeda dengan sistem data
retrieval (misalnya dalam sistem manajemen basis data) dalam beberapa
segi, antara lain spesifikasi query yang tidak lengkap, dan tingkat
ketanggapan kesalahan yang tidak peka (van Rijsbergen, 1979).
Tabel 2. 5 Perbedaan sistem data retrieval dan sistem information retrieval
Data Retrieval Information Retrieval
Matching Exact Match Partial (best) Match
Inference Deduksi Induksi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
Model Deterministik Probabilistik
Klasifikasi Monothetic Polythetic
Bahasa Query Artificial Natural
Spesifikasi Query Lengkap Tidak Lengkap
Item yang diinginkan Matching Relevan
Respon Error Sensitif Tidak Sensitif
Kerangka dari sistem IR secara sederhana terbagi menjadi dua
bagian. Untuk lebih jelasnya, gambar 2.1 merupakan kerangka sederhana
sistem IR
Gambar 2. 1 Kerangka dari sistem IR sederhana (P. Ingwersen, 1992)
Bagian pertama adalah pencari informasi atau pengguna sistem.
Pengguna dari sistem IR harus menerjemahkan informasi yang dicarinya
agar dapat diproses oleh sistem dengan cara memasukan kata kunci. Kata
kunci tersebut akan di proses menjadi sebuah query yang dapat dimengerti
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
oleh sistem. Bagian kedua adalah bagian dari dokumen. Pada bagian ini
dokumen – dokumen direpresentasikan dalam bentuk indeks. Query
pengguna akan diproses melalui fungsi kesamaan untuk membandingkan
query dengan indeks dari dokumen untuk mendapatkan dokumen yang
relevan. Sistem IR mungkin tidak memberikan hasil apapun jika memang
tidak ditemukan dokumen yang relevan.
2.4. Indexing
Mencari sebuah informasi yang relevan sangat tidak mungkin
dapat dilakukan oleh sebuah komputer, meskipun dilakukan oleh sebuah
komputer yang memiliki spesifikasi yang canggih. Agar komputer dapat
mengetahui sebuah dokumen itu relevan terhadap sebuah informasi,
komputer memerlukan sebuah model yang mendeskripsikan bahwa
dokumen tersebut relevan atau tidak. Salah satu caranya adalah dengan
menggunakan indeks istilah. Indeks adalah bahasa yang digunakan di
dalam sebuah buku konvensional untuk mencari informasi berdasarkan
kata atau istilah yang mengacu ke dalam suatu halaman. Dengan
menggunakan indeks pencari informasi dapat dengan mudah menemukan
informasi yang diinginkannya. Pada sistem temu-kembali informasi,
indeks ini nantinya yang digunakan untuk merepresentasikan informasi di
dalam sebuah dokumen.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
Elemen dari indeks adalah index term yang didapatkan dari teks
yang dipecah di dalam sebuah dokumen. Elemen lainnya adalah bobot
istilah (term weighting) sebagai penentuan peringkat dari kriteria relevan
pada sebuah dokumen yang memiliki istilah yang sama. Proses pembuatan
indeks dari sebuah dokumen teks atau dikenal dengan proses analisis teks
(automatic teks analysis) melalui beberapa tahap (Baeza-Yates dan
Ribeiro-Neto, 1999):
1. Proses penentuan digit, tanda hubung, tanda baca dan penyeragaman
dari huruf yang digunakan.
2. Penyaringan kata meliputi penghilangan kata yang memiliki arti niliai
paling rendah (stopwords) untuk proses IR.
3. Penghilangan imbuhan kata, baik awalan maupun akhiran kata.
Penghilangan imbuhan kata ini dikenal dengan stemming.
4. Pemilihan istilah untuk menentukan kata atau stem (atau kelompok
kata) yang akan digunakan sebagai elemen indeks.
5. Pembentukan kategori istilah terstruktur seperti kelompok persamaan
kata yang digunakan untuk perluasan dari query dasar yang diberikan
oleh pengguna sistem IR dengan istilah lain yang sesuai.
Pengindeksan dapat dilakukan dengan dua cara yaitu manual dan
otomatis. Idealnya, untuk mendapatkan indeks istilah yang sempurna
sebuah pengindeksan dilakukan secara manual (konvensional). Akan
tetapi, menurut Salton, sistem pencarian dan analisa teks yang sepenuhnya
otomatis tidak menghasilkan kinerja temu-kembali yang lebih buruk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
dibandingkan dengan sistem konvensional yang menggunakan
pengindeksan dokumen manual dan formulasi pencarian. Untuk lebih
jelasnya mengenai proses pengindeksan dari sebuah dokumen yang
memiliki sekumpulan teks menjadi istilah dapat dilihat pada Gambar 2.2
(Baeza-Yates dan Ribeiro-Neto, 1999).
Gambar 2. 2 Operasi teks logical view dari sebuah dokumen
Inverted index adalah salah satu mekanisme untuk pengindeksan
sebuah koleksi teks yang digunakan untuk mempercepat proses pencarian.
Struktur dari inverted index terdiri dari dua elemen yaitu kosakata dan
posisinya di dalam sebuah dokumen (Baeza-Yates dan Ribeiro-Neto,
1999). Sebagai contoh, istilah t1 terdapat dalam dokumen D1, D2, dan D3
sedangkan istilah t2 terdapat dalam dokumen D1 dan D2 maka inverted
index yang dihasilkan adalah sebagai berikut:
t1 → D1, D2, D3
t2 → D1, D2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
Penggunaan inverted index di dalam sistem IR memiliki
kelemahan yaitu lambat di dalam pengindeksan, tetapi cepat di dalam
proses pencarian informasi.
2.5. Term Frequency
Term Frequency (TF) adalah algoritma pembobotan heuristik
yang menentukan bobot dokumen berdasarkan kemunculan term (istilah).
Semakin sering sebuah istilah muncul, semakin tinggi bobot dokumen
untuk istilah tersebut, dan sebaliknya. Hasil pembobotan ini selanjutnya
akan digunakan oleh fungsi perbandingan untuk menentukan dokumen –
dokumen yang relevan. Terdapat empat buah algoritma TF yang
digunakan (Wibowo, 2011):
• Raw TF
Raw TF menentukan bobot suatu dokumen terhadap istilah
dengan menghitung frekuensi kemunculan suatu istilah tersebut pada
dokumen. Raw TF selanjutnya akan dituliskan sebagai tf.
• Logarithmic TF
Logarithmic TF mengurangi tingkat kepentingan kemunculan
kata dalam menghitung bobot dokumen terhadap suatu istilah dengan
melakukan log terhadap TF. Log TF dapat dihitung dengan
persamaan:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
𝑙𝑙𝑙𝑙𝑁𝑁 = 1 + log(𝑙𝑙𝑁𝑁) ( 1 )
• Binary TF
Binary TF menyeragamkan bobot dokumen terhadap istilah
dengan memberi nilai 0 dan 1. Nilai 1 menyatakan suatu istilah
muncul minimal satu kali dalam suatu dokumen, sementara 0
menyatakan sebaliknya.
𝑏𝑏𝑙𝑙𝑁𝑁 = � 1, 𝑖𝑖𝑖𝑖𝑙𝑙𝑖𝑖𝑙𝑙𝑖𝑖ℎ 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑙𝑙 𝑁𝑁𝑖𝑖𝑙𝑙𝑖𝑖𝑚𝑚 𝑁𝑁𝑑𝑑𝑑𝑑𝑚𝑚𝑚𝑚𝑑𝑑𝑚𝑚0, 𝑖𝑖𝑖𝑖𝑙𝑙𝑖𝑖𝑙𝑙𝑖𝑖ℎ 𝑙𝑙𝑖𝑖𝑁𝑁𝑖𝑖𝑑𝑑 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑙𝑙 𝑁𝑁𝑖𝑖𝑙𝑙𝑖𝑖𝑚𝑚 𝑁𝑁𝑑𝑑𝑑𝑑𝑚𝑚𝑚𝑚𝑑𝑑𝑚𝑚
� ( 2 )
• Augmented TF
Augmented TF menyeragamkan bobot dokumen terhadap istilah
dengan memberikan range antara 0.5 hingga 1 sebagai bobot
dokumen. Augmented TF dapat dihitung dengan persamaan:
𝑖𝑖𝑙𝑙𝑁𝑁 = 0.5 + 0.5 × 𝑙𝑙𝑁𝑁max 𝑙𝑙𝑁𝑁 𝑁𝑁𝑖𝑖𝑑𝑑𝑖𝑖 𝑖𝑖𝑑𝑑𝑙𝑙𝑚𝑚𝑑𝑑 𝑚𝑚ℎ 𝑁𝑁𝑑𝑑𝑑𝑑𝑚𝑚𝑚𝑚𝑑𝑑𝑚𝑚
( 3 )
Pembobotan lokal (tf) hanya berpedoman pada frekuensi
munculnya term dalam suatu dokumen dan tidak melihat frekuensi
kemunculan term tersebut di dalam dokumen lainnya. Pembobotan global
digunakan untuk memberikan tekanan terhadap term yang mengakibatkan
perbedaan dan berdasarkan pada penyebaran dari term tertentu di seluruh
dokumen. Banyak skema didasarkan pada pertimbangan bahwa semakin
jarang suatu term muncul di dalam total koleksi maka term tersebut
menjadi semakin berbeda. Pemanfaatan pembobotan ini dapat
menghilangkan kebutuhan stop word removal karena stop word
mempunyai bobot global yang sangat kecil. Pendekatan terhadap
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
pembobotan global mencakup inverse document frequency (idf), squared
idf, probabilistic idf, GF-idf, entropy. Pendekatan idf merupakan
pembobotan yang paling banyak digunakan saat ini. Beberapa aplikasi
tidak melibatkan bobot global, hanya memperhatikan tf, yaitu ketika tf
sangat kecil atau saat diperlukan penekanan terhadap frekuensi term di
dalam suatu dokumen.
Faktor normalisasi digunakan untuk menormalkan vektor
dokumen sehingga proses retrieval tidak terpengaruh oleh panjang dari
dokumen. Normalisasi ini diperlukan karena dokumen panjang biasanya
mengandung perulangan term yang sama sehingga menaikkan frekuensi
term (tf). Dokumen panjang juga mengandung banyak term yang berbeda
sehingga menaikkan ukuran kemiripan antara query dengan dokumen
tersebut, meningkatkan peluang di-retrieve-nya dokumen yang lebih
panjang.
Bobot lokal suatu term i di dalam dokumen j (tfij) dapat
didefinisikan sebagai (Lee D. L., 1997):
𝑙𝑙𝑁𝑁𝑖𝑖=𝑁𝑁𝑖𝑖𝑖𝑖
𝑚𝑚𝑖𝑖𝑚𝑚 𝑙𝑙(𝑁𝑁𝑖𝑖𝑖𝑖 ) ( 4 )
fij merupakan jumlah berapa kali termi muncul di dalam
dokumen j. Frekuensi tersebut dinormalisasi dengan frekuensi dari most
common term di dalam dokumen tersebut. Bobot global dari suatu term i
pada pendekatan inverse document frequency (idfi) dapat didefinisikan
sebagai (Lee D. L., 1997):
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
𝑖𝑖𝑁𝑁𝑁𝑁𝑖𝑖= log ( 𝑚𝑚𝑁𝑁𝑁𝑁𝑖𝑖
) ( 5 )
Dimana dfi adalah frekuensi dokumen dari termi dan sama dengan
jumlah dokumen yang mengandung term i. Log digunakan untuk
memperkecil pengaruhnya relatif terhadap tfij. Bobot dari termi di dalam
sistem IR (wij) dihitung menggunakan ukuran tf-idf yang didefinisikan
sebagai berikut (Lee D. L., 1997):
𝑤𝑤𝑖𝑖𝑖𝑖=𝑙𝑙𝑁𝑁𝑖𝑖𝑖𝑖 × 𝑖𝑖𝑁𝑁𝑁𝑁𝑖𝑖 ( 6 )
2.6. Tokenizing
Tokenizing adalah proses membagi deretan kalimat menjadi
kalimat, dan kalimat menjadi token – token. Token tidak hanya terdiri dari
kata – kata, tetapi juga angka – angka, tanda kutip, tanda kurung, dan tanda
baca lainnya. Proses tokenizing pada gambar 2. 4 masukan (input) berupa
sebuah kalimat “Ada riwayat infeksi saluran napas”. Proses tokenizing
memisah kalimat tersebut menjadi potongan – potongan kata
penyusunnya. Potongan kata seperti “riwayat”, “infeksi”, “saluran”, dan
“napas” akan digunakan untuk proses selanjutnya.
Gambar 2. 3 Proses tokenizing
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
2.7. Stemming
Stemming merupakan suatu proses yang terdapat dalam sistem IR
yang mentransformasi kata-kata yang terdapat dalam suatu dokumen ke
kata – kata dasarnya (root word) dengan menggunakan aturan – aturan
tertentu. Sebagai contoh, kata bersama, kebersamaan, menyamai, akan di–
stem ke root word–nya yaitu “sama”. Proses stemming pada teks berbahasa
Indonesia berbeda dengan stemming pada teks berbahasa Inggris. Pada
teks berbahasa Inggris, proses yang diperlukan hanya proses
menghilangkan sufiks. Sedangkan pada teks berbahasa Indonesia, selain
sufiks, prefiks, dan konfiks juga dihilangkan (Agusta, 2009).
Stemming khusus bahasa Inggris yang ditemukan oleh Martin
Porter. Mekanisme algoritma dalam mencari kata dasar suatu kata
berimbuhan dengan membuang imbuhan – imbuhan (atau lebih tepatnya
akhiran) pada kata–kata bahasa Inggris karena dalam bahasa Inggris tidak
mengenal awalan. Karena bahasa Inggris datang dari kelas yang berbeda,
beberapa modifikasi telah dilakukan untuk membuat Algoritma Porter
sehingga dapat digunakan sesuai dengan bahasa Indonesia. Implementasi
Porter Stemmer for Bahasa Indonesia berdasarkan English Porter
Stemmer yang dikembangkan oleh W.B. Frakes pada tahun 1992. Karena
bahasa Inggris datang dari kelas yang berbeda, beberapa modifikasi telah
dilakukan untuk membuat algoritma Porter dapat digunakan sesuai dengan
bahasa Indonesia.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
Gambar 2. 4 Desain dari Porter Stemmer for Bahasa Indonesia
2.7.1. Porter Stemmer Algorithm
Algoritma atau langkah – langkah stemming pada teknik Porter
Stemmer adalah sebagai berikut:
1. Menghapus partikel seperti: -kah, -lah, -tah
2. Mengapus kata ganti (Possesive Pronoun), seperti –ku, -mu, -nya
3. Mengapus awalan pertama. Jika tidak ditemukan, maka lanjut ke
langkah 4a, dan jika ada maka lanjut ke langkah 4b.
4. a. Menghapus awalan kedua, dan dilanjutkan pada langkah ke 5a
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
b. Menghapus akhiran, jika tidak ditemukan maka kata tersebut
diasumsikan sebagai kata dasar (root word). Jika ditemukan maka
lanjut ke langkah 5b.
5. a. Menghapus akhiran dan kata akhir diasumsikan sebagai kata dasar
(root word).
b. Menghapus awalan kedua dan kata akhir diasumsikan sebagai kata
dasar (root word) (Agusta, 2009).
2.7.2. Aturan Algoritma Porter untuk Bahasa Indonesia
Terdapat 5 aturan pada Algoritma Porter untuk Bahasa Indonesia.
Dasar dari aturan ini adalah membagi kata berdasarkan imbuhan yang
diberikan pada kata tersebut. Aturan tersebut dapat dilihat pada tabel
berikut (Tala, 2003):
Tabel 2. 6 Kelompok rule pertama: inflectional particles
Suffix Replacement Meassure
Condition
Additional
Condition Contoh
-kah NULL 2 NULL bukukah buku
-lah NULL 2 NULL adalah ada
-pun NULL 2 NULL bukupun buku
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
Tabel 2. 7 Kelompok rule kedua: inflectional possesive pronouns
Suffix Replacement Meassure
Condition
Additional
Condition Contoh
-ku NULL 2 NULL bukuku buku
-mu NULL 2 NULL bukumu buku
-nya NULL 2 NULL bukunya buku
Tabel 2. 8 Kelompok rule ketiga: first order of derivational prefixes
Prefix Replacement Meassure
Condition
Additional
Condition Contoh
meng- NULL 2 NULL mengukur ukur
meny- s 2 V...* menyapu sapu
men- NULL 2 NULL menduga duga
mem- p 2 V... memilah pilah
mem- NULL 2 NULL membaca baca
me- NULL 2 NULL merusak rusak
peng- NULL 2 NULL pengukur ukur
peny- s 2 V... penyapu sapu
pen- NULL 2 NULL pendosa dosa
pem- p 2 V... pemilah pilah
pem- NULL 2 NULL pembaca baca
di- NULL 2 NULL diukur ukur
ter- NULL 2 NULL tersapu sapu
ke- NULL 2 NULL kekasih kasih
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
Tabel 2. 9 Kelompok rule keempat: second order of derivational prefixes
Prefix Replacement Meassure
Condition
Additional
Condition Contoh
ber- NULL 2 NULL berlari lari
bel- NULL 2 ajar belajar ajar
be- NULL 2 k*er... bekerja kerja
per- NULL 2 NULL perjelas jelas
pel- NULL 2 ajar pelajar ajar
pe- NULL 2 NULL pekerja kerja
Tabel 2. 10 Kelompok rule kelima: derivational suffixes
Suffix Replacement Meassure
Condition
Additional
Condition Contoh
-kan NULL 2 Prefix ∉ {ke-,
peng-}
tarikkan tarik
(meng)ambilkan
ambil
-an NULL 2 Prefix ∉ {di-, ter-,
meng-}
makanan makan
(per)janjian janji
-i NULL 2
V|K...c1 c1, c1 ≠ s,
c2 ≠ i dan prefix ∉
{ber-, ke-, peng-}
tandai tanda
(men)dapati dapat
Pantai panta
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
2.8. Vector Space Model
Vector Space Model (VSM) menganalogikan dokumen sebagai
vektor yang memiliki besaran. Gambar 2.6 menunjukkan perlakuan yang
diterapkan VSM terhadap query pencarian.
Gambar 2. 5 Vector Space Model
Sebagai vektor yang memiliki besaran, jarak antar dokumen dapat
dihitung menggunakan persamaan cosine similarity (Manning, et al,
2008).
𝑖𝑖𝑖𝑖𝑚𝑚 (𝐷𝐷1,𝐷𝐷2) = 𝑣𝑣→(𝐷𝐷1).
𝑣𝑣→(𝐷𝐷2)
�𝑣𝑣→(𝐷𝐷1)��
𝑣𝑣→(𝐷𝐷2)�
( 7 )
Dimana:
• 𝑖𝑖𝑖𝑖𝑚𝑚 (𝐷𝐷1,𝐷𝐷2) adalah jarak kedekatan dokumen 1 dan
dokumen 2.
• D1 adalah dokumen 1.
• D2 adalah dokumen 2.
• 𝑣𝑣→ (𝐷𝐷1) adalah reperentasi vektor dokumen 1.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
• 𝑣𝑣→ (𝐷𝐷2) adalah reperentasi vektor dokumen 2.
Salah satu cara untuk mengukur jarak antar vektor adalah dengan
menggunakan persamaan Euclidian Distance. Dengan berasumsi bahwa t
adalah komponen dari vektor, maka Euclidian Distance untuk vektor
𝑣𝑣→ (𝐷𝐷) dapat ditulis sebagai berikut:
�∑ 𝑣𝑣𝑖𝑖2 (𝐷𝐷)�⎯⎯�𝑙𝑙
𝑖𝑖=1 ( 8 )
Dand hasil dari perkalian dot product antara 2 (dua) vektor 𝑣𝑣→ dan
𝑚𝑚→ dapat ditulis sebagai berikut:
∑𝑣𝑣𝑖𝑖→ .
𝑚𝑚𝑖𝑖→𝑙𝑙
𝑖𝑖=1 ( 9 )
Dengan melihat persamaan 8 dan 9, persamaan 7 dapat ditulis
ulang menjadi:
cos 𝑖𝑖𝑖𝑖𝑚𝑚 (𝐷𝐷1,𝐷𝐷2) = ∑ (𝐷𝐷1.𝐷𝐷2)𝑙𝑙𝑖𝑖=1
�∑ 𝑣𝑣𝑖𝑖2 (𝐷𝐷1).𝑣𝑣𝑖𝑖
2 (𝐷𝐷2)𝑙𝑙𝑖𝑖=1
( 10 )
Nilai cos 𝑖𝑖𝑖𝑖𝑚𝑚 (𝐷𝐷1,𝐷𝐷2) menunjukkan jarak kedekatan dokumen D1
dan D2. Besaran cos 𝑖𝑖𝑖𝑖𝑚𝑚 (𝐷𝐷1,𝐷𝐷2) memiliki rentang dari 0,0 – 1,0.
Semakin besar nilai yang diperoleh, tingkat kemiripan dokumen yang
dibandingkan akan semakin tinggi. Sebaliknya, semakin kecil nilai yang
diperoleh, tingkat kemiripan dokumen yang dibandingkan semakin rendah.
Dalam membentuk model hasil pencarian, VSM membandingkan
nilai kesamaan antara query pencarian terhadap setiap dokumen yang
tersedia. Dengan melihat persamaan 7, perhitungan jarak antara query
pencarian dengan dokumen yang tersedia dapat ditulis seperti berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
𝑖𝑖𝑖𝑖𝑚𝑚 (𝑄𝑄,𝐷𝐷𝑖𝑖) = 𝑣𝑣→(𝑄𝑄).
𝑣𝑣→(𝐷𝐷𝑖𝑖)
�𝑣𝑣→(𝑄𝑄)��
𝑣𝑣→(𝐷𝐷𝑖𝑖)�
( 11 )
Dimana:
• 𝑖𝑖𝑖𝑖𝑚𝑚 (𝑄𝑄,𝐷𝐷𝑖𝑖) adalah jarak kedekatan query dan dokumen i.
• Q adalah query pencarian.
• Di adalah dokumen i.
• 𝑣𝑣→ (𝑄𝑄) adalah reperentasi vektor query pencarian.
• 𝑣𝑣→ (𝐷𝐷𝑖𝑖) adalah reperentasi vektor dokumen i.
Dengan melihat pada persamaan 10 dan 11, dapat ditulis ulang
menjadi:
cos 𝑖𝑖𝑖𝑖𝑚𝑚 �𝑄𝑄,𝐷𝐷𝑖𝑖 � = ∑ �𝑄𝑄𝑖𝑖 .𝐷𝐷𝑖𝑖𝑖𝑖 �𝑙𝑙𝑖𝑖=1
�∑ 𝑣𝑣𝑖𝑖2 (𝑄𝑄𝑖𝑖).𝑣𝑣𝑖𝑖
2 (𝐷𝐷𝑖𝑖 )𝑙𝑙𝑖𝑖=1
( 12 )
VSM akan mengurutkan dokumen berdasarkan nilai jarak
kesamaan masing – masing dokumen dengan query pencarian. Semakin
dekat jarak dokumen dengan query pencarian, posisi dokumen akan berada
semakin atas.
2.9. Extended Boolean Model
Boolean model merupakan model IR sederhana yang berdasarkan
atas teori himpunan dan aljabar. Boolean model merepresentasikan
dokumen sebagai suatu himpunyan kata kunci (set of keywords). Query
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
direpresentasikan sebagai ekspresi boolean. Query dalam ekspresi boolean
merupakan kumpulan kata kunci yang saling dihubungkan melalui
operator boolean seperti AND, OR, dan NOT serta menggunakan tanda
kurung untuk menentukan scope operator. Hasil pencarian dokumen dari
model boolean adalah himpunan dokumen yang relevan (Baetza - Yates
dan Riberio – Neto, 1998). Karena sifatnya yang sederhana, boolean
model saat ini masih dipergunakan oleh sistem IR modern, antara lain oleh
www.google.com. Kekurangan model boolean diperbaiki oleh VSM dan
extended boolean model yang mampu menghasilkan dokumen – dokumen
terurut berdasarkan kesesuaian query.
Extended boolean model merupakan lanjutan dari boolean model
dengan menggabungkan karakateristik dari vector space model dengan
sifat – sifat aljabar boolean dan peringkat kesamaan antara query dan
dokumen berdasarkan p-norm model (Salton, 1989). Cara ini dikatakan
sebagai alternatif dari model klasik boolean model. Algoritma extended
boolean model (EBM) pada dasarnya merupakan model pengembangan
model vektor. Model vektor memberikan nilai kepada kata atau frasa yang
terdapat pada dokumen indeks dimana kata tersebut mempunyai asosiasi
dengan kata yang ada dalam user query (Baetza - Yates dan Riberio –
Neto, 1998). Nilai ini disebut sebagai bobot dari kata atau frasa yang
terdapat dalam dokumen. Bobot ini kemudian digunakan untuk membuat
derajat kemiripan antara tiap dokumen yang disimpan dalam text database
dan query yang diberikan oleh user.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
Dalam EBM, bobot kata dalam dokumen harus dalam interval 0
sampai 1. Oleh karena itu bobot harus dinormalisasi (Salton, 1989).
Perhitungan bobot dalam EBM dihitung menggunakan persamaan sebagai
berikut:
𝑊𝑊i,j = 𝑙𝑙𝑁𝑁𝑖𝑖 ,𝑖𝑖𝑙𝑙𝑁𝑁max 𝑖𝑖 ,𝑖𝑖
× 𝑖𝑖𝑁𝑁𝑁𝑁 𝑖𝑖𝑖𝑖𝑁𝑁𝑁𝑁max 𝑖𝑖
( 13 )
Dimana:
• Wi,j merupakan bobot kata i pada dokumen j.
• tfi,j merupakan frekuensi kata i pada dokumen j.
• tfmax i,j merupakan frekuensi maksimum kata i dalam dokumen j.
• idfi merupakan nilai idf dari kata i dalam koleksi.
• idfmax i merupakan nilai maksimum idf kata i dalam koleksi.
P-Norm model memberikan gagasan untuk memasukkan nilai p,
yaitu nilai yang menunjukkan keketatan pada operator. Nilai p berkisar
dari satu sampai tidak terhingga. Untuk P-Norm model ukuran kesamaan
antara dokumen dan query didefinisikan sebagai berikut (Savoy, 1993):
𝑖𝑖𝑖𝑖𝑚𝑚�𝐷𝐷,𝑄𝑄𝑑𝑑𝑑𝑑 (𝑝𝑝)� = �𝑖𝑖1𝑝𝑝𝑁𝑁𝐴𝐴1
𝑝𝑝 + 𝑖𝑖2𝑝𝑝𝑁𝑁𝐴𝐴2
𝑝𝑝 + …+ 𝑖𝑖𝑚𝑚𝑝𝑝𝑁𝑁𝑚𝑚
𝑝𝑝
𝑖𝑖1𝑝𝑝+𝑖𝑖1
𝑝𝑝+ …+ 𝑖𝑖1𝑝𝑝 �
1𝑝𝑝 ( 14 )
𝑖𝑖𝑖𝑖𝑚𝑚�𝐷𝐷,𝑄𝑄𝑖𝑖𝑚𝑚𝑁𝑁 (𝑝𝑝)� = 1 − �𝑖𝑖1𝑝𝑝 (1−𝑁𝑁𝐴𝐴1)𝑝𝑝+𝑖𝑖2
𝑝𝑝 (1−𝑁𝑁𝐴𝐴2)𝑝𝑝+ …+𝑖𝑖𝑚𝑚𝑝𝑝 (1−𝑁𝑁𝑚𝑚 )𝑝𝑝
𝑖𝑖1𝑝𝑝+𝑖𝑖1
𝑝𝑝+ …+ 𝑖𝑖1𝑝𝑝 �
1𝑝𝑝
( 15 )
Dengan:
• Persamaan 13 merupakan persamaan untuk query OR.
• Persamaan 14 merupakan persamaan untuk query AND.
• a,b merupakan query term berbobot.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
• dA, dB merupakan bobot term A dan term B pada dokumen.
• 1 ≤ p ≤ ∞.
Perhitungan ukuran kesamaan dalam EBM menggunakan
persamaan berikut (Savoy, 1993):
Tabel 2. 11 Tabel persamaan perhitungan ukuran kesamaan dalam EBM
Query Retrieval Status Value (RSV)
A OR <p> B �𝑊𝑊𝑖𝑖𝑖𝑖
𝑝𝑝 + 𝑊𝑊𝑖𝑖𝑏𝑏𝑝𝑝
𝑚𝑚
𝑝𝑝
A AND <p> B 1 − �(1 −𝑊𝑊𝑖𝑖𝑖𝑖 )𝑝𝑝 + (1 −𝑊𝑊𝑖𝑖𝑏𝑏 )𝑝𝑝
𝑚𝑚
𝑝𝑝
NOT A 1 – Wia
Dimana :
• p adalah nilai p-norm yang dimasukkan pada query.
• Wia adalah bobot istilah A dalam indeks pada dokumen Di.
• Wib adalah bobot istilah B dalam indeks pada dokumen Di.
• n adalah jumlah kata yang dihubungkan menggunakan operator.
Nilai P-Norm yang umum digunakan adalah 2. Pemberian
peringkat dilakukan dengan cara mengurutkan nilai yang didapat dokumen
dari perhitungan RSV (retrieval status value) pada tabel 2.11.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
2.10. Probabilistic Model
Probabilistic model mencoba untuk menangkap masalah pada IR
ke dalam kerangka probabilitas. Ide dasar dari model ini adalah,
berdasarkan query dari pengguna terdapat kumpulan dokumen yang berisi
sama dengan dokumen relevan dan ada yang tidak. Kumpulan dokumen
relevan tersebut merupakan kumpulan hasil yang ideal (ideal answer set).
Jika di dalam prosesnya, kumpulan jawaban ideal ini diberikan, maka tidak
akan ada kesulitan dalam melakukan proses IR (Baeza-Yates dan Ribeiro-
Neto, 1999).
Probabilistic model yang mengasumsikan beberapa hal, yaitu:
1. Klasifikasi biner, yaitu “Ada dan tidak ada”, “Relevan dan
tidak relevan”. Sebagai contoh, suatu term dapat dikatan “ada”
atau “tidak ada” dalam suatu dokumen. Dokumen juga dapat
dikatakan “relevan” atau “tidak relevan” dengan query.
2. Kerelevansian suatu dokumen adalah independen, yaitu tidak
tergantung dengen kerelevansian dokumen lain.
3. Term yang satu tidak memiliki kaitan (independent) dengan
term yang lain. Tetapi, van Rijsbergen menyatakan bahwa term
memiliki keterkaitan (dependent) dengan term yang lain.
Rijsbergen memberikan suatu mekanisme untuk menghitung
dependensi antar term yaitu dengan menggunakan pohon
ketergantungan (Dependence Tree) (van Rijsbergen, 1979).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
Walaupun demikian, perhitungan matematis akan jauh lebih
mudah dilakukan jika term dipandang sebagai independent.
4. Term yang tersedia dalam koleksi dokumen tersebar secara
berbeda – beda di antara dokumen yang relevan dan tidak
relevan. Asumsi ini dikenal sebagai Cluster Hypothesis, dan
sudah dibuktikan oleh Rijsbergen dan Jones di tahun 1973.
Dapat disimpulkan pemrosesan query menjadi proses menentukan
sifat – sifat kumpulan hasil yang ideal. Secara umum proses tersebut
menjadi proses clustering. Permasalahan yang muncul adalah ketidak
tahuan sifat – sifat dari hasil ideal tersebut, sedangkan yang diketahui
hanyalah indeks yang digunakan untuk mengkarakterisasi sifat tersebut.
Sifat yang tidak diketahui pada saat query diberikan membuat adanya
perkiraan awal untuk menentukan hasil yang ideal.
Pada probabilistic model dokumen dapat dipresentasikan menjadi
vektor biner berdasar relevan tidaknya suatu dokumen terhadap query.
Secara matematis (van Rijsbergen, 1979):
𝑅𝑅�⃗ = (d1, d 2, ...dj) ( 16 )
Dimana dj = 0 jika dokumen tidak relevan terhadap query, dan d1=1 jika
dokumen tersebut relevan terhadap query. Dengan demikian, term juga
dapat dipresentasikan menjadi sebuah vektor biner dengan notasi ti.
ti = 0, jika term tidak berada pada dokumen
ti = 1, jika term berada pada dokumen.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
Perhitungan peringkat pada model ini dilakukan menggunakan persamaan
pada probability ranking principle.
2.10.1. Probability Ranking Principle (PRP)
Probability Ranking Principle (PRP) merepresentasikan penilaian
teoritis dari model probabilistik. Asumsi yang dipakai oleh PRP dalam
memberikan ranking sebuah dokumen tidak adanya kaitan antara dokumen
yang satu dengan dokumen yang lain. Tetapi, dengan mengingat
karakteristik IR yang bersifat partial match dan relevant information, IR
yang sempurna sulit dilakukan. PRP menyatakan bahwa sistem IR optimal
tercapai ketika dokumen diurutkan menurun menurut angka kemungkinan
relevansi, dimana angka kemungkinan relevansi dihitung dengan
melibatkan semua data yang terlibat. Secara prinsip, Rijsbergen
menyatakan PRP sebagai berikut: “Jika respon yang diberikan dari suatu
sistem IR terhadap setiap query adalah ranking dari dokumen dalam
urutan relevansi yang menurun, dimana kemungkinan telah diperhitungkan
seakurat mungkin, maka secara umum efektifitas telah dicapai” (van
Rijsbergen, 1979).
Perhitungan kemiripan dokumen dengan query dapat dihitung
menggunakan persamaan sebagai berikut:
𝑖𝑖𝑖𝑖𝑚𝑚�𝑁𝑁𝑖𝑖 , 𝑞𝑞� = 𝑃𝑃(𝑅𝑅|𝑁𝑁𝑖𝑖����⃗ )𝑃𝑃(𝑅𝑅�|𝑁𝑁𝑖𝑖����⃗ )
( 17 )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
Dimana:
• R merupakan kumpulan dokumen yang relevan terhadap query q.
• 𝑅𝑅� merupakan kumpulan dokumen yang tidak relevan terhadap query
q.
• 𝑃𝑃(𝑅𝑅|𝑁𝑁𝑖𝑖���⃗ ) merupakan probabilitas dimana dj relevan terhadap query q.
• 𝑃𝑃(𝑅𝑅�|𝑁𝑁𝑖𝑖���⃗ ) merupakan probabilitas dimana dj tidak relevan terhadap
query q.
Dengan mengaplikasikan teori Bayes pada persamaan
perhitungan kemiripan pada model ini, maka persamaan perhitungan
kemiripan dapat dituliskan menjadi:
𝑖𝑖𝑖𝑖𝑚𝑚�𝑁𝑁𝑖𝑖 , 𝑞𝑞� = 𝑃𝑃(𝑁𝑁𝑖𝑖����⃗ |𝑅𝑅,𝑞𝑞)×𝑃𝑃(𝑅𝑅,𝑞𝑞)𝑃𝑃(𝑁𝑁𝑖𝑖����⃗ |𝑅𝑅� ,𝑞𝑞)×𝑃𝑃(𝑅𝑅� ,𝑞𝑞)
~ 𝑃𝑃(𝑁𝑁𝑖𝑖����⃗ |𝑅𝑅,𝑞𝑞)𝑃𝑃(𝑁𝑁𝑖𝑖����⃗ |𝑅𝑅� ,𝑞𝑞)
( 18 )
Dimana:
• 𝑃𝑃(𝑁𝑁𝑖𝑖���⃗ |𝑅𝑅, 𝑞𝑞) merupakan probabilitas dari terpilihnya dokumen dj secara
acak dari kumpulan dokumen relevan R.
• 𝑃𝑃(𝑅𝑅, 𝑞𝑞) merupakan probabilitas dari terpilihnya dokumen secara acak
dari koleksi dokumen yang relevan terhadap query q.
• 𝑃𝑃�𝑁𝑁𝑖𝑖���⃗ �𝑅𝑅�, 𝑞𝑞� dan 𝑃𝑃(𝑅𝑅�,𝑞𝑞) merupakan pembanding dan pelengkap.
Pada probabilistic model, bobot wi,j yang digunakan adalah biner,
yaitu hanya bernilai 1 dan 0. Dengan menggunakan bobot biner, maka
persamaan perhitungan kemiripan dapat dirumuskan dalam bentuk lain
menjadi:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
𝑖𝑖𝑖𝑖𝑚𝑚�𝑁𝑁𝑖𝑖 , 𝑞𝑞� ~ �∏ 𝑃𝑃(𝑙𝑙𝑖𝑖|𝑅𝑅,𝑞𝑞)𝑙𝑙𝑖𝑖 |𝑤𝑤𝑖𝑖 ,𝑖𝑖=1 �×�∏ 𝑃𝑃(𝑙𝑙̅𝑖𝑖|𝑅𝑅,𝑞𝑞)𝑙𝑙𝑖𝑖 |𝑤𝑤𝑖𝑖 ,𝑖𝑖=0 �
�∏ 𝑃𝑃(𝑙𝑙𝑖𝑖|𝑅𝑅� ,𝑞𝑞)𝑙𝑙𝑖𝑖 |𝑤𝑤𝑖𝑖 ,𝑖𝑖=1 �×�∏ 𝑃𝑃(𝑙𝑙̅𝑖𝑖|𝑅𝑅� ,𝑞𝑞)𝑙𝑙𝑖𝑖 |𝑤𝑤𝑖𝑖 ,𝑖𝑖=0 � ( 19 )
Dimana:
• 𝑃𝑃(𝑙𝑙𝑖𝑖|𝑅𝑅, 𝑞𝑞) merupakan probabilitas term ti terdapat pada dokumen yang
terambil secara acak dari kumpulan dokumen relevan R.
• 𝑃𝑃(𝑙𝑙�̅�𝑖|𝑅𝑅, 𝑞𝑞) merupakan probabilitas term ti tidak terdapat pada
dokumen yang terambil secara acak dari kumpulan dokumen relevan
R.
Berdasarkan pada teori peluang, maka 𝑃𝑃(𝑚𝑚) + 𝑃𝑃(�̅�𝑚) = 1 dapat
diterapkan untuki menyederhanakan persamaan perhitungan kemiripan.
Perumpamaan berikut dapat dipakai dalam penyederhanaan persamaan
perhitungan kemiripan.
PiR = 𝑃𝑃(𝑙𝑙𝑖𝑖|𝑅𝑅, 𝑞𝑞), qiR = 𝑃𝑃(𝑙𝑙𝑖𝑖|𝑅𝑅�,𝑞𝑞),
𝑃𝑃(𝑙𝑙𝑖𝑖|𝑅𝑅, 𝑞𝑞) + 𝑃𝑃(𝑙𝑙𝑖𝑖|𝑅𝑅�,𝑞𝑞) =1, 𝑃𝑃(𝑙𝑙𝑖𝑖|𝑅𝑅�,𝑞𝑞) + 𝑃𝑃(𝑙𝑙�̅�𝑖|𝑅𝑅�, 𝑞𝑞) =1 ( 20 )
Persamaan perhitungan kemiripan dapat dituliskan kembali
menjadi:
𝑖𝑖𝑖𝑖𝑚𝑚�𝑁𝑁𝑖𝑖 , 𝑞𝑞�~�∏ 𝑃𝑃𝑖𝑖𝑅𝑅𝑙𝑙𝑖𝑖 |𝑤𝑤𝑖𝑖 ,𝑖𝑖=1 �×�∏ (1−𝑃𝑃𝑖𝑖𝑅𝑅)𝑙𝑙𝑖𝑖 |𝑤𝑤𝑖𝑖 ,𝑖𝑖=0 �
�∏ 𝑞𝑞𝑖𝑖𝑅𝑅𝑙𝑙𝑖𝑖 |𝑤𝑤𝑖𝑖 ,𝑖𝑖=1 �×�∏ (1−𝑞𝑞𝑖𝑖𝑅𝑅)𝑙𝑙𝑖𝑖 |𝑤𝑤𝑖𝑖 ,𝑖𝑖=0 � ( 21 )
Jika dirubah menjadi bentuk logaritma, persamaan diatas dapat
dituliskan menjadi:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
𝑖𝑖𝑖𝑖𝑚𝑚�𝑁𝑁𝑖𝑖 , 𝑞𝑞�~ log � 𝑃𝑃𝑖𝑖𝑅𝑅 𝑙𝑙𝑖𝑖|𝑤𝑤𝑖𝑖 ,𝑖𝑖=1
+ log � (1 − 𝑃𝑃𝑖𝑖𝑅𝑅)𝑙𝑙𝑖𝑖|𝑤𝑤𝑖𝑖 ,𝑖𝑖=0
−
log∏ 𝑞𝑞𝑖𝑖𝑅𝑅 𝑙𝑙𝑖𝑖|𝑤𝑤𝑖𝑖 ,𝑖𝑖=1 − log∏ (1 − 𝑞𝑞𝑖𝑖𝑅𝑅)𝑙𝑙𝑖𝑖|𝑤𝑤𝑖𝑖 ,𝑖𝑖=0 ( 22 )
Persamaan tersebut merupakan fungsi untuk semua indek term
dan tidak bergantung pada dokumen dj. Persamaan ini menjadi sebuah
tetapan untuk query q yang diberikan dan dapat diabaikan untuk tujuan
menghitung peringkat relevan. Dengan mengasumsikan ∀ 𝑙𝑙𝑖𝑖 ∉ 𝑞𝑞,𝑃𝑃𝑖𝑖𝑅𝑅 =
𝑞𝑞𝑖𝑖𝑅𝑅 dan mengkonversi persamaan logaritma menjadi total logaritma,
maka persamaan perhitungan mengalami perubahan menjadi:
𝑖𝑖𝑖𝑖𝑚𝑚�𝑁𝑁𝑖𝑖 , 𝑞𝑞�~ Σti ∈ q ⋀ ti ∈ dj log( 𝑃𝑃𝑖𝑖𝑅𝑅1−𝑃𝑃𝑖𝑖𝑅𝑅
) + log( 𝑞𝑞𝑖𝑖𝑅𝑅1− 𝑞𝑞𝑖𝑖𝑅𝑅
) ( 23 )
Persamaan ini menjadi dasar untuk melakukan proses perhitungan
peringkat pada probabilistic model. Dengan menghitung nilai balik
relevansinya, dapat dibuat sebuah tabel kesimpulan (contingency table),
yaitu:
Tabel 2. 12 Contingency Table (Baeza-Yates dan Ribeiro-Neto, 2011)
relevan Tidak relevan Semua dokumen
Dokumen yang mengandung ti ri ni - ri ni
Dokumen yang tidak
mengandung ti
R - ri N - ni - (R - ri) N - ni
Semua dokumen R N – R N
Dimana,
• N merupakan total dokumen dari koleksi.
• ni merupakan jumlah dokumen yang mengandung ti.
• R merupakan jumlah dokumen yang relevan pada query q.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
• ri merupakan jumlah dokumen relevan yang mengandung ti.
Berdasarkan pada tabel kontingensi, untuk query q yang diberikan
dan tersedianya informasi variabel pada tabel kontingensi, maka dapat
dituliskan persamaan perhitungan untuk PiR dan qiR menjadi sebagai
berikut:
𝑃𝑃𝑖𝑖𝑅𝑅 = 𝑑𝑑𝑖𝑖𝑅𝑅
, 𝑞𝑞𝑖𝑖𝑅𝑅 = 𝑚𝑚𝑖𝑖− 𝑑𝑑𝑖𝑖𝑁𝑁−𝑅𝑅
( 24 )
Persamaan untuk menghitung peringkat pada probabilistic model dapat
dirubah menjadi persamaan lain yang sebangun. Persamaan tersebut dapat
dituliskan menjadi:
𝑖𝑖𝑖𝑖𝑚𝑚 �𝑁𝑁𝑖𝑖 , 𝑞𝑞�~ ∑ log � 𝑑𝑑𝑖𝑖𝑅𝑅− 𝑑𝑑𝑖𝑖
× 𝑁𝑁− 𝑚𝑚𝑖𝑖− 𝑅𝑅+ 𝑑𝑑𝑖𝑖𝑚𝑚𝑖𝑖− 𝑑𝑑𝑖𝑖
�𝑙𝑙𝑖𝑖[𝑞𝑞 ,𝑁𝑁𝑖𝑖 ] ( 25 )
Dimana 𝑙𝑙𝑖𝑖�𝑞𝑞,𝑁𝑁𝑖𝑖 � merupakan penyederhanaan dari ti ∈ q ⋀ ti ∈ dj .
Pada persamaan sebelumnya, perhitungan masih bergantung pada
estimasi dokumen relevan dengan query q. Untuk menangani nilai ri yang
kecil, maka ditambahkan konstanta 0.5 untuk masing – masing istilah.
Persamaan ini dianggap sebagai perhitungan peringkat yang klasik, dan
persamaan ini dikenal sebagai persamaan Robertson-Sparck Jones. Untuk
menghindari estimasi dari ri dan R, maka diasumsikan bahwa R = ri = 0,
maka persamaan akan menghasilkan idf seperti pada perhitungan
peringkat. Dengan tidak adanya informasi tentang relevansi, maka
persamaan berikut dapat dipakai untuk menghitung bobot sementara dalam
probabilistic model.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
𝑖𝑖𝑖𝑖𝑚𝑚 �𝑁𝑁𝑖𝑖 , 𝑞𝑞�~ ∑ log � 𝑁𝑁− 𝑚𝑚𝑖𝑖+ 0.5𝑚𝑚𝑖𝑖+ 0.5
�𝑙𝑙𝑖𝑖[𝑞𝑞 ,𝑁𝑁𝑖𝑖 ] ( 26 )
Perhitungan menggunakan persamaan diatas memungkinkan
untuk menghasilkan nilai negatif ketika ni > N/2. Sebagai contoh, akan
dilakukan perhitungan peringkat untuk query “to do” pada 4 dokumen d1,
d2, d3, d4 yang dapat dilihat pada gambar 2.8 (Baeza-Yates dan Ribeiro-
Neto, 2011).
Gambar 2. 6 Contoh perhitungan peringkat menggunakan persamaan 26
Pada contoh dalam gambar 2. 7, perhitungan menghasilkan nilai
negatif dikarenakan istilah “do” mempunyai nilai ni lebih besar dari nilai
N/2. Untuk menghindari nilai negatif pada perhitungan, maka persamaan
sebelumnya dapat dirubah menjadi:
𝑖𝑖𝑖𝑖𝑚𝑚 �𝑁𝑁𝑖𝑖 , 𝑞𝑞�~ ∑ log � 𝑁𝑁+ 0.5𝑚𝑚𝑖𝑖+ 0.5
�𝑙𝑙𝑖𝑖[𝑞𝑞 ,𝑁𝑁𝑖𝑖 ] ( 27 )
Dengan menggunakan persamaan yang baru, istilah yang muncul
dalam semua dokumen (ni = N) akan menghasilkan bobot bernilai 0.
Contoh pada gambar 2.7 akan dihitung kembali menggunakan persamaan
27 dengan dokumen dan query yang sama. Hasil perhitungan ini
menunjukkan pengurutan berdasarkan bobot dokumen dan menghilangkan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
nilai negatif. Perhitungan tersebut dapat dilihat pada gambar 2.8(Baeza-
Yates dan Ribeiro-Neto, 2011).
Gambar 2. 7 Contoh perhitungan peringkat menggunakan persamaan 27
Perhitungan pada gambar 2.8 bernilai sama dengan persamaan
menghitung idf suatu istilah, dengan menghitung log dari jumlah dokumen
dibagi dengan jumlah isitilah yang terdapat pada dokumen relevan.
Persamaan 27 digunakan untuk menginisialisasi bobot. Setelah
inisialisasi bobot tersebut, maka relevansi semantara tiap dokumen dapat
diketahui. Dokumen yang dianggap relevan biasanya adalah dokumen
yang nilainya melebihi angka tertentu, umumnya angka tersebut diisi
dengan nilai 0,5 (Taufik Ramadhany,2008). Pengurutan dokumen
kemudian dilakukan dengan memanfaatkan contigency table dan
persamaan 25. Dokumen yang memliki bobot yang lebih besar akan
ditempatkan pada urutan atas. Untuk dokumen yang memiliki bobot yang
sama, akan diurutkan berdasarkan nilai idf (bobot sementara) dokumen,
semakin tinggi nilai idf urutan dokumen akan semakin di atas.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
2.11. Algoritma Evaluasi: Recall – Precission
Evaluasi dari sistem temu-kembali informasi dipengaruhi oleh
dua parameter utama yaitu recall dan precision. Recall adalah rasio antara
dokumen relevan yang berhasil di-retrieve dari seluruh dokumen relevan
yang ada di dalam sistem. Precision adalah rasio dokumen relevan yang
berhasil di-retrieve dari seluruh dokumen yang berhasil di-retrieve.
Recall = |relevant ∩ retrieved| /|relevant|= P(retrieved | relevant) ( 28 )
Precision =|relevant ∩ retrieved| / |retrieved|= P(relevant | retrieved) ( 29 )
Kejadian yang terbaik adalah jika nilai precision dan recall
bernilai 1 (satu). Dengan demikian, dapat diartikan sebagai sistem
memperoleh kembali semua dokumen yang relevan tanpa menampilkan
dokumen yang tidak relevan dalam hasil pencarian. (Lee D. L., 1997).
Gambar 2. 8 Contoh recall dan precision hasil IR
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB III
ANALISIS DAN PERANCANGAN
Di dalam penelitian ini, pengembangan sistem IR hanya akan
dibahas tahap pemodelan dan pembangunan perangkat lunak yang meliputi
analisis, perancangan, pembuatan serta pengujian perangkat lunak. Pada bab
ini akan dibahas adalah analisis serta perancangan mengenai sistem yang
akan dibangun. Hal yang menyangkut implementasi akan dibahas pada bab
selanjutnya.
3.1 Deskripsi Kasus
Differential diagnose digunakan sebagai dasar penanganan
pertama pada pasien, termasuk pemberian obat pada pasien. Selanjutnya
petugas Poli Umum (PU) akan melakukan seleksi pada differential
diagnose untuk membuat diagnose akhir. Keputusan diagnose akhir dapat
secara langsung dibuat jika gejala umum suatu penyakit tertentu sebagian
besar terdapat pada gejala pasien yang ditemukan. Aturan penentuan
secara langsung dengan dasar persentase gejala yang ditemukan berjumlah
diatas 80% dari gejala umum sebuah penyakit tertentu (DEPKES RI,
2007).
46
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
Kesalahan diagnose yang mungkin terjadi adalah ketika pada
tahap differential diagnose penyakit yang seharusnya diderita pasien tidak
diketemukan tetapi petugas PU sudah mengeluarkan diagnose. Dalam hal
ini petugas PU melakukan kelalaian dalam melakukan diagnose. Hal
tersebut dapat berdampak fatal pada penanganan pasien, karena dapat
dipastikan petugas PU sudah memberikan obat yang spesifik untuk
penyakit tertentu.
Selama ini penanganan pasien penderita penyakit paru – paru di
Puskesmas Jebed dilakukan dengan pengamatan secara langsung pada
pasien. Pasien datang ke puskesmas untuk melakukan pemeriksaan.
Petugas PU melakukan pengamatan serta mengajukan pertanyaan tentang
gejala yang dialami pasien secara langsung. Dari hasil pengamatan,
petugas PU melakukan differential diagnose. Differential diagnose
tersebut menghasilkan kemungkinan penyakit yang diderita pasien. Hasil
dari differential diagnose dapat berisi sejumlah penyakit. Banyaknya
jumlah penyakit yang muncul berdasar pada variasi gejala yang didapat
dari hasil pengamatan. Pemeriksaan ini berdasarkan pada pedoman
pelayanan puskesmas yang mencangkup gejala umum penyakit, jenis
penyakit, obat yang harus diberikan, serta informasi terkait. Gejala umum
penyakit, dalam kasus ini khususnya penyakit paru – paru, mempunyai
gejala yang hampir mirip satu dengan yang lainnya. Jumlah gejala umum
yang terdapat pada pedoman tidak terlalu banyak, karena sudah merupakan
hasil kesimpulan dari pengamatan – pengamatan yang dilakukan pihak
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
penulis pedoman. Gejala tersebut, jika dibuat menjadi sebuah dokumen
berdasar tiap jenis penyakit, menjadi sebuah dokumen pendek.
3.2 Cara Penyelesaian Masalah
Untuk membantu petugas PU melakukan differential diagnose
dapat diupayakan dengan melakukan komputerisasi. Komputerisasi
dilakukan dengan cara membangun perangkat lunak untuk melakukan
differential diagnose yang menerapkan algoritma dari pendekatan pada
ilmu IR.
3.2.1 Indexing
Proses diawali dengan melakukan proses pengindeksan. Proses
pengindeksan akan diawali dengan melakukan stemming. Proses stemming
dilakukan menggunakan algoritma Porter Stemmer for Bahasa Indonesia.
Pada proses stemming, untuk tiap dokumen dalam koleksi akan dicari kata
dasar pembentuknya. Sebelum dilakukan proses stemming , untuk setiap
kata pada dokumen yang masuk ke dalam golongan stop words akan
dihilangkan, sehingga dapat mempercepat proses stemming. Sebagai
contoh terdapat kata ”tidak” pada dokumen ke – i maka kata “tidak”
tersebut akan dihilangkan. Rancangan flowchart untuk proses stemming
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
menggunakan algoritma Porter Stemmer for Bahasa Indonesia yang
digunakan untuk aplikasi ini adalah:
Gambar 3. 1 Gambar flowchart Porter Stemmer yang diimplementasikan
Hasil dari proses stemming dokumen akan disimpan pada
database sebagai kata dasar. Hasil proses stemming ini akan menjadi dasar
proses indexing. Perhitungan term frequency akan diimplementasikan
sebagai store procedured pada basis data. Stored procedure ini juga akan
berfungsi untuk menyimpan kata dasar beserta nilai term frequency pada
tabel. Rancangan flowchart stored procedure adalah sebagai berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
Gambar 3. 2 Rancangan flowchart stored procedure indexing database
Pada stored procedure, term frequency masih dihitung secara raw
TF. Hal ini dilakukan untuk menyimpan nilai term frequency yang
sebenarnya pada dokumen. Penentuan term frequency (TF) selanjutnya
diubah menggunakan metode binary TF, dimana kata yang terdapat pada
dokumen ataupun pada query akan diberi nilai 1 dan 0 untuk sebaliknya.
Pemilihan metode ini dilakukan untuk menyamakan nilai TF untuk setiap
algoritma, dimana untuk algoritma Probabilistic Model harus
menggunakan binary TF. Sebagai contoh dapat dilihat pada tabel 3.1.
Tabel 3. 1 Contoh penggunaan binary TF
D1: Batuk kronis; Bernapas cepat; Mudah lelah;
D2: Batuk; Berat badan turun; Rinoera;
Q : Batuk Sesak napas Rinoera
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
No Term D1 D2 Q
1 badan 0 1 0
2 batuk 1 1 1
3 berat 0 1 0
.....
12 turun 0 1 0
Perhitungan binary tf akan dilakukan pada saat proses
pengambilan data indek pada basis data. Data indek yang diambil akan
disimpan pada variabel hash yang bertipe Hashmap. Data pada hash akan
berisi id dokumen, id kata, dan tf. Rancangan proses perhitungan binary tf
yang akan diimplementasikan adalah sebagai berikut:
Gambar 3. 3 Rancangan proses perhitungan binary tf
Dari algoritma tersebut, maka akan didapat nilai tf dari semua
kata beserta id kata dasar dan id dokumen. Penggunaan hash ini
dimaksudkan untuk mempermudah dalam proses pencarian. Proses indek
akan dilakukan pada saat pengguna melakukan penambahan data penyakit
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
(dokumen), merubah isi dokumen, menambah stopword, dan pada saat
merubah stopword. Pengisian hash dilakukan pada saat melakukan
pencarian.
3.2.2 Pemrosesan Query
Pemrosesan query dilakukan untuk mendapatkan kata dasar
penyusun query. Pengguna akan diarahkan untuk memisahkan gejala
menggunakan tombol “Enter”. Hal ini dapat mempermudah dalam
pemrosesan query. Rancangan pemrosesan query adalah sebagai berikut:
Gambar 3. 4 Rancangan pemrosesan query
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
53
3.2.3 Permodelan
Proses dilanjutkan dengan proses pencarian yang berfungsi
menentukan kemiripan dengan algoritma IR yang digunakan. Algortima
yang akan digunakan adalah extended boolean model (EBM), vector space
model: cosine similarity (VSM), dan probabilistic model (PM). Algoritma
tersebut akan diterapkan pada pencarian dokumen pendek. Dokumen
pendek yang digunakan sebagai model berekstensi .txt . Dokumen tersebut
berisi gejala umum dari penyakit paru – paru. Dari ketiga algoritma yang
digunakan akan dipilih yang terbaik, setelah dilakukan pengujian pada
semua algoritma, untuk diterapkan pada sistem sebagai default.
Gambar 3. 5 Rancangan proses pencarian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
3.3 Diagram dan Skenario Use Case
Diagram dan skenario use case dari pengguna sistem rekomendasi
differential diagnose penyakit paru – paru dapat dilihat pada gambar 3.6
berikut :
Gambar 3. 6 Diagram Use Case
a. Nama Use Case : Differential Diagnose
Aktor : Petugas PU
Kondisi Awal : Koleksi dokumen sudah terindek dan aktor berada
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
pada DiagnoseForm
Skenario :
Tabel 3. 2 Tabel skenario case Differential Diagnose
Aksi Aktor Reaksi Sistem
1. Aktor memasukkan
gejala pasien dan
menekan tombol proses.
2. Sistem melakukan proses
perhitungan differential
diagnose dan menampilkan
pada tabel.
Alternatif
1. Aktor memasukkan
gejala pasien dan
menekan tombol
bersihkan field.
2. Sistem menghapus gejala yang
sudah diisikan oleh aktor.
1. Aktor memasukkan
gejala pasien yang tidak
terdapat pada koleksi
dokumen
2. Sistem menampilkan pesan
eror.
b. Nama Use Case : Melihat Dokumen
Aktor : Petugas PU
Kondisi Awal : Koleksi dokumen sudah terindek
Skenario :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
Tabel 3. 3 Tabel skenario case Melihat Dokumen
Aksi Aktor Reaksi Sistem
1. Aktor memilih menu
Lihat Daftar Penyakit.
2. Sistem membuka DaftarForm.
3. Sistem menampilkan daftar
dokumen penyakit pada tabel.
4. Aktor memilih
dokumen pada tabel.
5. Sistem menampilkan isi
dokumen.
Alternatif
4. Aktor menekan tombol
tutup.
5. Sistem menutup DaftarForm dan
menampilkan MainForm.
c. Nama Use Case : Menambah Dokumen
Aktor : Petugas PU
Kondisi Awal : Dokumen baru belum terindek dan aktor berada
pada DaftarForm
Skenario :
Tabel 3. 4 Tabel skenario case Menambah Dokumen
Aksi Aktor Reaksi Sistem
1. Aktor menekan tombol
tambah.
2. Sistem menampilkan
TambahForm.
3. Aktor memasukkan
nama dan gejala umum
5. Sistem menampilkan konfirmasi
penambahan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
penyakit
4. Aktor menekan tombol
tambah
6. Aktor menekan tombol
yes
7. Sistem melakukan penambahan
file dan data pada database
8. Sistem mengindek dokumen.
9. Sistem menampilkan pesan
penambahan berhasil dilakukan.
Alternatif
1. Aktor menekan tombol
batal.
2. Sistem menutup DaftarForm dan
menampilkan MainForm.
4. Aktor menekan tombol
batal
5. Sistem menutup TambahForm
dan menampilkan DaftarForm
6. Aktor menekan tombol
no atau cancel
7. Sistem menampilkan
penambahan batal dilakukan
d. Nama Use Case : Mengubah Dokumen
Aktor : Petugas PU
Kondisi Awal : Koleksi dokumen sudah terindek dan aktor berada
pada DaftarForm
Skenario :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
Tabel 3. 5 Tabel skenario case Mengubah Dokumen
Aksi Aktor Reaksi Sistem
1. Aktor memilih
dokumen pada tabel.
2. Sistem menampilkan isi
dokumen.
3. Aktor merubah isi
dokumen dan menekan
tombol ubah
4. Sistem menampilkan konfirmasi
perubahan.
5. Aktor menekan tombol
yes.
6. Sistem merubah data dokumen
pada file dan database
7. Sistem mengindek dokumen dan
sistem menampilkan pesan
perubahan berhasil
Alternatif
3. Aktor menekan tombol
batal.
4. Sistem menampilkan daftar
dokumen.
5. Aktor menekan tombol
no atau cancel
6. Sistem menampilkan pesan
perubahan batal dilakukan
e. Nama Use Case : Melihat Stopword
Aktor : Petugas PU
Kondisi Awal : Stopword sudah tersimpan
Skenario :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
Tabel 3. 6 Tabel skenario case Melihat Stopword
Aksi Aktor Reaksi Sistem
1. Aktor memilih menu
Lihat Daftar Stopwords.
2. Sistem membuka
StopwordForm.
3. Sistem menampilkan daftar
stopword pada tabel.
Alternatif
4. Aktor menekan tombol
tutup.
5. Sistem menutup StopwordForm
dan menampilkan MainForm.
f. Nama Use Case : Menambah Stopword
Aktor : Petugas PU
Kondisi Awal : Stopword baru belum tersimpan dan aktor berada
pada StopwordForm
Skenario :
Tabel 3. 7 Tabel skenario case Mengubah Stopword
Aksi Aktor Reaksi Sistem
1. Aktor memasukkan
stopword baru pada
field dan menekan
tombol tambah.
2. Sistem menampilkan konfirmasi
penambahan.
3. Aktor menekan tombol 4. Sistem menambah stopword
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
yes pada database dan file
5. Sistem mengindek dokumen dan
menampilkan pesan berhasil
Alternatif
1. Aktor menekan tombol
batal.
2. Sistem menampilkan daftar
stopword.
3. Aktor menekan tombol
no atau cancel
4. Sistem menampilkan daftar
stopword
g. Nama Use Case : Mengubah Stopword
Aktor : Petugas PU
Kondisi Awal : Stopword telah tersimpan dan aktor berada pada
StopwordForm
Skenario :
Tabel 3. 8 Tabel skenario case Mengubah Stopword
Aksi Aktor Reaksi Sistem
1. Aktor memilih
stopword pada tabel.
2. Sistem menampilkan stopword.
3. Aktor menambah
stopword baru pada
field dan menekan
tombol ubah
4. Sistem menampilkan konfirmasi
perubahan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
5. Aktor menekan tombol
yes
6. Sistem merubah stopword pada
database dan file
7. Sistem mengindek dokumen dan
menampilkan pesan berhasil
Alternatif
3. Aktor menekan tombol
batal.
4. Sistem menampilkan daftar
stopword.
5. Aktor menekan tombol
no atau cancel
6. Sistem menampilkan daftar
stopword
h. Nama Use Case : Memasukkan Default Stopword
Aktor : Petugas PU
Kondisi Awal : Tabel daftar stopword masih kosong dan aktor
berada pada StopwrodForm
Skenario :
Tabel 3. 9 Tabel skenario case Memasukkan Default Stopword
Aksi Aktor Reaksi Sistem
1. Aktor menekan tombol
Insert Default Stopword
to DB.
2. Sistem membaca default
stopword pada file dan
melakukan penambahan
stopword pada database.
3. Sistem menampilkan pesan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
penambahan berhasil dilakukan
Alternatif
1. Aktor menekan tombol
tutup.
2. Sistem menutup StopwordForm
dan menampilkan MainForm
i. Nama Use Case : Setting General
Aktor : Petugas PU
Kondisi Awal : Aktor berada pada SettingDialog
Skenario :
Tabel 3. 10 Tabel skenario case Pengaturan Sistem: Setting General
Aksi Aktor Reaksi Sistem
1. Aktor memilih tab
General dan menekan
tombol Ubah Folder.
2. Sistem menampilkan pop up
pemilihan direktori dokumen.
3. Aktor memilih direktori
dan menekan tombol
Open
4. Sistem menampilkan url
direktori pada label.
5. Aktor menekan tombol
Terapkan 6. Sistem menampilkan konfirmasi
7. Aktor menekan tombol
yes
8. Sistem menyimpan pengaturan
pada file dan menutup dialog
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
Alternatif
1. Aktor menekan tombol
Batal 2. Sistem menutup dialog
3. Aktor menekan tombol
cancel 4. Sistem menutup pop up
5. Aktor menekan tombol
Batal 6. Sistem menutup dialog
7. Aktor menekan tombol
no atau cancel 8. Sistem menutup dialog
j. Nama Use Case : Setting Algoritma
Aktor : Petugas PU
Kondisi Awal : Aktor berada pada SettingDialog
Skenario :
Tabel 3. 11 Tabel skenario case Pengaturan Sistem: Setting Algoritma
Aksi Aktor Reaksi Sistem
1. Aktor memilih tab
Model
2. Aktor memilih
algoritma model yang
digunakan dan menekan
tombol Terapkan
3. Sistem menampilkan konfirmasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
4. Aktor menekan tombol
yes
5. Sistem menyimpan pengaturan
pada file dan menutup dialog
Alternatif
1. Aktor menekan tombol
Batal 2. Sistem menutup dialog
2. Aktor menekan tombol
batal 3. Sistem menutup pop up
4. Aktor menekan tombol
no atau cancel 5. Sistem menutup dialog
k. Nama Use Case : Setting Koneksi
Aktor : Petugas PU
Kondisi Awal : Aktor berada pada SettingDialog
Skenario :
Tabel 3. 12 Tabel skenario case Pengaturan Sistem: Setting Koneksi
Aksi Aktor Reaksi Sistem
1. Aktor memilih tab
Database
2. Aktor mengisi field dan
menekan tombol Tes
Koneksi
3. Sistem pesan koneksi berhasil
4. Aktor menekan tombol 5. Sistem menampilkan konfirmasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
Terapkan
6. Aktor menekan tombol
yes
7. Sistem menyimpan pengaturan
pada file dan menutup dialog
Alternatif
2. Aktor mengisi field
dengan data yang salah
dan menekan tombol
Tes Koneksi
3. Sistem menampilkan pesan
koneksi gagal
4. Aktor menekan tombol
batal
5. Sistem menutup dialog
6. Aktor menekan tombol
no atau cancel 7. Sistem menutup dialog
3.4 Perancangan Sistem
Berikut akan dipaparkan mengenai langkah – langkah
perancangan sistem yang ditempuh di dalam penelitian ini.
3.4.1 Langkah penelitian
Proses yang terjadi pada sistem dijelaskan melalui penggambaran
diagram blok berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
Gambar 3. 7 Diagram blok (indexing)
Gambar 3. 8 Diagram blok (searching)
Query
pengguna
tokenizing Penghilangan
stop word
stemming Query Processing
Pencarian pada
Hashmap index
Akar kata
Searching
Database
Pembobotan
PM
Modeling
VSM EBM
Analisa Hasil
Perhitungan
recall - precision
Dokumen
Koleksi
tokenizing Penghilangan
stop word
stemming Document Processing
Perhitungan tf Akar kata
Indexing Database
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
3.4.2 Perancangan Basis Data
Berikut ini langkah – langkah yang akan dilakukan dlam
perancangan database yaitu:
1. Conceptual Database Design
Gambar 3. 9 ER Diagram
2. Logical Database Design
Gambar 3. 10 Relasi antar tabel
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
3. Physical Database Design
Desain basis data yang akan digunakan dalam sistem rekomendasi
differential diagnose penyakit paru – paru dapat dijabarkan sebagai
berikut:
1. Tabel dokumen
Nama tabel : dokumen
Nama field kunci : id
Tabel ini berisi sejumlah field yang dijelaskan pada tabel
berikut:
Tabel 3. 13 Keterangan tabel dokumen pada basis data
Nama Field Tipe
Data
Ukuran Keterangan
id Integer 11 Sebagai field kunci tabel
judul varchar 255 Judul dokumen sebagai nama
penyakit
isi Text Isi dokumen yang berisikan
gejala umum penyakit
file_fisik varchar 255 Nama file fisik dokumen yang
tersimpan pada folder
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
2. Tabel kata_dasar
Nama tabel : kata_dasar
Nama field kunci : id_kata
Tabel ini berisi sejumlah field yang dijelaskan pada tabel
berikut:
Tabel 3. 14 Keterangan tabel kata_dasar pada basis data
Nama Field Tipe
Data
Ukuran Keterangan
id_kata Integer 11 Sebagai field kunci tabel
kata_dasar varchar 255 Kata dasar dari koleksi
dokumen
3. Tabel dokumen_kata
Nama tabel : dokumen_kata
Nama field kunci : dokumen_id, katadasar_id
Tabel ini berisi sejumlah field yang dijelaskan pada tabel
berikut:
Tabel 3. 15 Keterangan tabel dokumen_kata pada basis data
Nama Field Tipe
Data
Ukuran Keterangan
dokumen_id Integer 11 Sebagai foreign key dari tabel
dokumen serta primary key
tabel
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
70
katadasar_id Integer 11 Sebagai foreign key dari tabel
kata_dasar serta primary key
tabel
tf Integer 11 Nilai dari term frequency untuk
setiap kata dasar
4. Tabel katastop
Nama tabel : katastop
Nama field kunci : id_stop
Tabel ini berisi sejumlah field yang dijelaskan pada tabel
berikut:
Tabel 3. 16 Keterangan tabel kata_stop pada basis data
Nama Field Tipe
Data
Ukuran Keterangan
id_stop Integer 11 Sebagai field kunci tabel
kata_stop varchar 255 Stopword sebagai kata buang
5. Tabel dictionary
Nama tabel : dictionary
Nama field kunci : id_kata
Tabel ini berisi sejumlah field yang dijelaskan pada tabel
berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
Tabel 3. 17 Keterangan tabel dictionary pada basis data
Nama Field Tipe
Data
Ukuran Keterangan
id_kata Integer 11 Sebagai field kunci tabel
akar_kata varchar 255 Sebagai akar kata
3.4.3 Desain Antarmuka
Sistem ini akan dirancang menggunakan 4 (empat) form, yaitu
MainForm, DiagnoseForm, DaftarForm, dan StopwordsForm. MainForm
berfungsi sebagai menu utama untuk pengguna. Dari form ini, pengguna
dapat memilih menu untuk mengelola dokumen, stopword, dan memilih
menu untuk melakukan differential diagnose.
Gambar 3. 11 Desain menu utama MainForm
Pengguna dapat melakukan differential diagnose menggunakan
DiagnoseForm. Melaui form ini, pengguna dapat memasukkan query
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72
gejala penyakit pasien dan melakukan proses dagnose banding. Desain
DiagnoseForm dapat dilihat pada gambar 3.13 berikut:
Gambar 3. 12 Desain menu DiagnoseForm
Dalam kebutuhannya, pengguna dapat mengelola dokumen yang
berisi gejala umum penyakit melalui DaftarForm. Desain antarmuka
DaftarForm dapat dilihat pada gambar 3.14.
Gambar 3. 13 Desain menu DaftarForm untuk mengelola dokumen
StopwordsForm dapat digunakan pengguna untuk mengelola
stopword. Pembuatan StopwordsForm ini dimaksudkan agar pengguna
dapat melihat, menambah ataupun mengubah kata buang jika dirasa perlu.
Berikut desain antarmuka StopwordsForm:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
73
Gambar 3. 14 Desain menu StopwordsForm untuk mengelola kata buang
3.4.4 Cara Pengujian dan Analisa Hasil
Pengujian akan dilakukan dengan memberikan kuesioner yang
berisikan sejumlah query gejala. Penguji sistem dalam penelitian ini,
merupakan petugas pelayanan umum di Puskesmas Jebed. Petugas
pelayanan umum tersebut berprofesi sebagai dokter. Setiap dokter akan
megisi kuesioner yang digunakan sebagai differential diagnose. Pemberian
tanda berdasarkan kemungkinan penyakit yang dapat ditimbulkan dari
gejala yang ada. Kemudian, setiap dokter akan menjalankan sistem dengan
3 (tiga) algortima IR.
Pada proses analisa, data akan digunakan untuk menghitung nilai
recall dan precision. Hasil perhitungan ini digunakan untuk menghitung
ketepatan sistem dalam menampilkan hasil pencarian yang relevan. Data
yang digunakan adalah hasil dari kuesioner. Untuk menghitung akurasi,
digunakan data yang berasal dari hasil wawancara dengan Kepala
Puskesmas Jebed. Hal ini dikarenakan, gejala yang digunakan merupakan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
74
gejala yang sudah pernah terjadi dan tercatat dalam rekam medis pasien,
tetapi penyakit hasil diagnose tidak dapat diberikan karena untuk menjaga
informasi rahasia pasien. Untuk menggantikan informasi hasil diagnose,
maka dilakukan wawancara.
3.4.5 Class Diagram
Class diagram menggambarkan struktur sistem dari kelas – kelas
beserta interaksinya. Berikut adalah rancangan diagram kelas keseluruhan.
Gambar 3. 15 Diagram kelas keseluruhan
Rancangan kelas diagram akan digambarkan secara lebih detail
untuk 2 (dua) proses utama, yaitu proses pengindeksan dan proses
pencarian. Gambar 3.16 menampilkan kelas diagram untuk proses
pengideksan, sedangkan gambar 3.17 menampilkan kelas diagram untuk
proses pencarian (perhitungan kemiripan dokumen dengan query).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
Gambar 3. 16 Diagram kelas proses indexing
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
76
Gambar 3. 17 Diagram kelas untuk proses searching
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
3.5. Perhitungan Contoh Kasus
Pada bagian ini akan dijelaskan langkah pengerjaan penelitian
menggunakan sebuah contoh kasus. Sebagai contoh, terdapat 6 buah
dokumen yaitu:
D1 : Riwayat pekerjaan kontak dengan asbes
D2 : Batuk kering serak
D3 : Batuk berdahak terus - menerus
D4 : Keringat pada malam hari
D5 : Batuk kering berdarah
D6 : Sesak napas
Dokumen contoh tersebut akan dikenai proses document
processing. Langkah pertama akan dilakukan tokenizing.
D1 : Riwayat pekerjaan kontak dengan asbes
D2 : Batuk kering serak
D3 : Batuk berdahak terus - menerus
D4 : Keringat pada malam hari
D5 : Batuk kering berdarah
D6 : Sesak napas
Langkah berikutnya, proses menghilangkan stopword akan
dilakukan pada masing – masing dokumen. Setelah proses penghilangan
stopword maka dokumen akan menjadi:
D1 : Riwayat kontak asbes
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
78
D2 : Batuk kering serak
D3 : Batuk berdahak
D4 : Keringat malam
D5 : Batuk kering berdarah
D6 : Sesak napas
Langkah berikutnya, setiap kata pada dokumen akan dirubah
menjadi kata dasar. Proses ini disebut dengan stemming. Dokumen
tersebut akan menjadi:
D1 : riwayat kontak asbes
D2 : batuk kering serak
D3 : batuk dahak
D4 : keringat malam
D5 : batuk kering darah
D6 : sesak napas
Setelah mengalami proses document processing, pembetukan
indexing seluruh dokumen akan dilakukan dengan menempuh cara berikut.
Pendataan token merupakan langkah awal pada proses indexing. Pendataan
token pada dokumen dapat dilihat pada tabel 3.18.
Tabel 3. 18 Tabel pendataan token
riwayat: D1 kontak: D1 asbes: D1
batuk: D2 kering: D2 serak: D2
batuk: D3 dahak: D3 keringat: D4
malam: D4 batuk: D5 kering: D5
darah: D5 sesak: D6 napas: D6
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
79
Token tersebut akan diurutkan berdasarkan abjad token. Setelah
proses pengurutan, token akan dikelompokkan. Pendataan kemudian akan
menjadi:
Tabel 3. 19 Tabel pengurutan dan pengelompokan token
Term Posting list df
asbes D1 1
batuk D2, D3, D5 3
dahak D3 1
darah D5 1
kering D2, D5 2
keringat D4 1
kontak D1 1
malam D4 1
napas D6 1
riwayat D1 1
serak D2 1
sesak D6 1
Modeling merupakan tahap dimana sistem akan mengolah data
untuk menampilkan hasil akhir pencarian. Perhitungan akan dilakukan
secara vector space model, probabilistic model, dan extended boolean
model. Perhitungan tf dilakukan menggunakan metode binary tf. Sebagai
contoh akan diberikan sebuah query pencarian sebagai berikut:
q : “riwayat batuk berdahak terus – menerus”
q setelah document processing : riwayat batuk dahak.
Perhitungan frekuensi kata i di dalam dokumen j (tfij):
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
80
Tabel 3. 20 Tabel frekuensi kata dalam dokumen contoh
Term D1 D2 D3 D4 D5 D6 df
asbes 1 0 0 0 0 0 1
batuk 0 1 1 0 1 0 3
dahak 0 0 1 0 0 0 1
darah 0 0 0 0 1 0 1
kering 0 1 0 0 1 0 2
keringat 0 0 0 1 0 0 1
kontak 1 0 0 0 0 0 1
malam 0 0 0 1 0 0 1
napas 0 0 0 0 0 1 1
riwayat 1 0 0 0 0 0 1
serak 0 1 0 0 0 0 1
sesak 0 0 0 0 0 1 1
Tabel 3. 21 Perhitungan idf menggunakan persamaan log 𝑁𝑁𝑁𝑁𝑁𝑁
idf
log 6 1=0,778151
log 63=0,30103
log 6 1=0,778151
log 6 1=0,778151
log 6 2=0,477121
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
81
log 6 1=0,778151
log 6 1=0,778151
log 6 1=0,778151
log 6 1=0,778151
log 6 1=0,778151
log 6 1=0,778151
log 6 1=0,778151
Perhitungan bobot kata menggunakan persamaan w = tfij * idfi.
Penggunaan metode binary tf menyebabkan penyederhanaan persamaan
menjadi 𝑤𝑤 = 11
× 𝑖𝑖𝑁𝑁𝑁𝑁𝑖𝑖 = 𝑖𝑖𝑁𝑁𝑁𝑁𝑖𝑖 untuk tfij=1, karena nilai tfij 1 atau 0.
3.5.1 Vector Space Model
Tabel 3. 22 Perhitungan w dokumen dan query contoh kasus (VSM)
Term wD1 wD2 wD3 wD4 wD5 wD6 wQ
asbes 0,7782 0 0 0 0 0 0
batuk 0 0,3010 0,3010 0 0,3010 0 0,3010
dahak 0 0 0,7782 0 0 0 0,7782
darah 0 0 0 0 0,7782 0 0
kering 0 0,4771 0 0 0,4771 0 0
keringat 0 0 0 0,7782 0 0 0
kontak 0,7782 0 0 0 0 0 0
malam 0 0 0 0,7782 0 0 0
napas 0 0 0 0 0 0,7782 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
82
riwayat 0,7782 0 0 0 0 0 0,7782
serak 0 0,7782 0 0 0 0 0
sesak 0 0 0 0 0 0,7782 0
Berdasarkan pada tabel 3.22, perhitungan kemiripan antara
masing – masing dokumen dengan query pencarian dapat dituliskan
sebagai berikut:
cos 𝑖𝑖𝑖𝑖𝑚𝑚(𝐷𝐷1, 𝑞𝑞) = (0,7782 × 0,7782)
� (0,77822 + 0,77822 + 0,77822)× (0,30102 + 0,77822 + 0,77822)
= 0,393781
cos 𝑖𝑖𝑖𝑖𝑚𝑚(𝐷𝐷2, 𝑞𝑞) = (0,3010 × 0,3010)
� (0,30102 + 0,47712 + 0,77822)× (0,30102 + 0,77822 + 0,77822)
= 0,082639
cos 𝑖𝑖𝑖𝑖𝑚𝑚(𝐷𝐷3, 𝑞𝑞) = �(0,3010 × 0,3010) + (0,7782 × 0,7782)�
� (0,30102 + 0,77822)× (0,30102 + 0,77822 + 0,77822)
= 0,731306
cos 𝑖𝑖𝑖𝑖𝑚𝑚(𝐷𝐷5, 𝑞𝑞) = (0,3010 × 0,3010)
� (0,30102 + 0,77822 + 0,47712)× (0,30102 + 0,77822 + 0,77822)
= 0,082639
Dokumen D4 dan D6 tidak dihitung karena tidak ada term pada
D4 dan D6 yang terdapat pada query q. Dari perhitungan, dokumen
relevan dapat diurutkan berdasarkan nilai kemiripannya. Semakin besar
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
83
nilai kemiripan, semakin tinggi urutan dokumen. Dokumen yang
mempunyai nilai kemiripan yang sama, urutan akan berdasar pada abjad
nama dokumen, sehingga urutan dokumen akan menjadi D3, D1, D2, D5.
3.5.2 Extended Boolean Model
Pada EBM, query akan diberikan operator boolean “and”.
Dengan demikian query q akan menjadi “riwayat and batuk and dahak”.
Perhitungan bobot kata pada EBM menggunakan persamaan 13, sehingga
bobot kata pada EBM dapat dituliskan pada tabel berikut:
Tabel 3. 23 Perhitungan w dokumen dan query contoh kasus (EBM)
Term wD1 wD2 wD3 wD4 wD5 wD6
asbes 0 0 0 0 0 0
batuk 0 0,3869 0,3869 0 0,3869 0
dahak 0 0 1 0 0 0
darah 0 0 0 0 0 0
kering 0 0 0 0 0 0
keringat 0 0 0 0 0 0
kontak 0 0 0 0 0 0
malam 0 0 0 0 0 0
napas 0 0 0 0 0 0
riwayat 1 0 0 0 0 0
serak 0 0 0 0 0 0
sesak 0 0 0 0 0 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
84
Perhitungan kemiripan dengan operator and dihitung
menggunakan persamaan pada tabel 3.23. Hasil perhitungan kemiripan
adalah sebagai berikut:
𝑖𝑖𝑖𝑖𝑚𝑚(𝐷𝐷1, 𝑞𝑞) = 1 − �(1 − 0)2 + (1 − 0)2 + (1 − 1)2 3
2
= 0,183503
𝑖𝑖𝑖𝑖𝑚𝑚(𝐷𝐷2, 𝑞𝑞) = 1 − �(1 − 0)2 + (1 − 0,3869)2 + (1 − 0)2 3
2
= 0,110076
𝑖𝑖𝑖𝑖𝑚𝑚(𝐷𝐷3, 𝑞𝑞) = 1 − �(1 − 0)2 + (1 − 0,3869)2 + (1 − 1)2 3
2
= 0,322777
𝑖𝑖𝑖𝑖𝑚𝑚(𝐷𝐷5, 𝑞𝑞) = 1 − �(1 − 0)2 + (1 − 0,3869)2 + (1 − 0)2 3
2
= 0,110076
Dari perhitungan, dokumen relevan dapat diurutkan berdasarkan
nilai kemiripannya. Semakin besar nilai kemiripan, semakin tinggi urutan
dokumen. Dokumen yang mempunyai nilai kemiripan yang sama, urutan
akan berdasar pada abjad nama dokumen, sehingga urutan dokumen akan
menjadi D3, D1, D2, D5.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
85
3.5.3 Probabilistic Model
Peluang kemunculan untuk masing – masing kata pada query
pencarian adalah sebagai berikut:
riwayat : log ((6+0,5)/(1+0,5)) = 0,6368
batuk : log ((6+0,5)/(3+0,5)) = 0,2688
dahak : log ((6+0,5)/(1+0,5)) = 0,6368
Peluang kemunculan kata pencarian pada setiap dokumen:
D1 : riwayat kontak asbes = 0,6368 + 0 + 0 = 0,6368
D2 : batuk kering serak = 0,2688+ 0 + 0 = 0,2688
D3 : batuk dahak = 0,2688 + 0,6368= 0,9056
D5 : batuk kering darah = 0,2688 + 0 + 0 = 0,2688
Dokumen D2 dan D5 dianggap tidak relevan karena mempunyai
bobot sementara kurang dari 0,5. Dengan demikian tabel contingency
menjadi:
Tabel 3. 24 Contingency table PM
riwayat batuk dahak
N 6 6 6
n 1 3 1
R 2 2 2
r 1 1 1
Untuk setiap kata, akan dihitung bobot (w) sebagai berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
86
w = log �𝑑𝑑𝑖𝑖 + 0,5
𝑅𝑅 − 𝑑𝑑𝑖𝑖 + 0,5 ×
𝑁𝑁 − 𝑚𝑚𝑖𝑖 − 𝑅𝑅 + 𝑑𝑑𝑖𝑖 + 0,5𝑚𝑚𝑖𝑖 − 𝑑𝑑𝑖𝑖 + 0,5
�
wriwayat = log �1 + 0,5
2 − 1 + 0,5 ×
6 − 1 − 2 + 1 + 0,51 − 1 + 0,5
�
= 0,954243
wbatuk = log �3 + 0,5
2 − 1 + 0,5 ×
6 − 3 − 2 + 1 + 0,53 − 1 + 0,5
�
= 0,367977
wdahak = log �1 + 0,5
2 − 1 + 0,5 ×
6 − 1 − 2 + 1 + 0,51 − 1 + 0,5
�
= 0,954243
Sehingga dapat dihitung bobot setiap dokumen sebagai berikut:
Tabel 3. 25 Perhitungan w dokumen contoh kasus (PM)
Dokumen Bobot
D1 0,954243+ 0 + 0 =0,954243
D2 0,367977+ 0 + 0 =0,367977
D3 0,367977 + 0,954243 + 0 =1,322219
D5 0,367977 + 0 + 0 =0,367977
Tabel 3. 26 Tabel pengurutan dokumen PM
D3 1,322219
D1 0,954242
D2 0,367976
D5 0,367976
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB IV
IMPLEMENTASI
Pada bagian ini, penulis akan memaparkan mengenai proses
implementasi sistem ke dalam bahasa pemrograman.
4.1. Spesifikasi Perangkat Keras dan Lunak
Aplikasi dibuat dengan menggunakan sebuah IDE (Integrated
Development Environment), yakni Netbeans IDE 6.9.1. Sistem manajemen
basis data (DBMS) yang digunakan adalah MySQL versi 5.5.21. Perangkat
keras yang digunakan dalam pembuatan aplikasi untuk penelitian ini
adalah sebuah notebook dengan spesifikasi sebagai berikut:
• System Model : Inspiron N4030
• Processor : Intel(R) Pentium(R) CPU P6000 @1.87 GHz
• Memory : 3072MB RAM
• Sistem Operasi : Windows 7 Ultimate 32-bit
Aplikasi dibuat untuk ditargetkan pada sistem operasi Windows
XP dengan menggunakan processor Intel(R) Pentium(R) CPU E2160
@1.80GHz dan memory 512MB RAM. Perangkat keras puskesmas akan
ditambah dengan Java SE Runtime Environment versi 6.
87
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
88
4.2. Implementasi Tabel Basis Data
Bagian ini akan memaparkan query pembuatan tabel pada basis
data. Terdapat 4 (empat) tabel yang digunakan dalam implementasi sistem,
yaitu tabel dokumen, tabel katadasar, tabel katastop, dan tabel
dokumen_kata.
CREATE TABLE `dokumen` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`judul` varchar(255) DEFAULT NULL,
`isi` text,
`file_fisik` varchar(255) DEFAULT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=8 DEFAULT CHARSET=latin1; Query 4. 1 Query DDL tabel dokumen
CREATE TABLE `katadasar` (
`id_kata` int(11) NOT NULL AUTO_INCREMENT,
`kata_dasar` varchar(255) DEFAULT NULL,
PRIMARY KEY (`id_kata`)
) ENGINE=InnoDB AUTO_INCREMENT=83 DEFAULT CHARSET=latin1; Query 4. 2 Query DDL tabel katadasar
CREATE TABLE `katastop` (
`id_stop` int(11) NOT NULL AUTO_INCREMENT,
`kata_stop` varchar(255) NOT NULL,
PRIMARY KEY (`id_stop`)
) ENGINE=InnoDB AUTO_INCREMENT=325 DEFAULT CHARSET=latin1; Query 4. 3 Query DDL tabel katastop
CREATE TABLE `dokumen_kata` (
`dokumen_id` int(11) NOT NULL,
`katadasar_id` int(11) NOT NULL,
`tf` int(11) NOT NULL DEFAULT '0',
PRIMARY KEY (`dokumen_id`,`katadasar_id`),
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
89
KEY `FK_dokumen_kata_dok` (`dokumen_id`),
KEY `FK_dokumen_kata_katadasar` (`katadasar_id`),
CONSTRAINT `FK_dokumen_kata_dok` FOREIGN KEY (`dokumen_id`)
REFERENCES `dokumen` (`id`),
CONSTRAINT `FK_dokumen_kata_katadasar` FOREIGN KEY (`katadasar_id`)
REFERENCES `katadasar` (`id_kata`)
) ENGINE=InnoDB DEFAULT CHARSET=latin1; Query 4. 4 Query DDL tabel dokumen_kata
CREATE TABLE `dictionary` (
`id_kata` INT(11) NOT NULL AUTO_INCREMENT,
`akar_kata` VARCHAR(255) DEFAULT NULL,
PRIMARY KEY (`id_kata`)
) ENGINE=INNODB DEFAULT CHARSET=latin1
Query 4. 5 Query DDL tabel dictionary
4.3. Implementasi Kelas Indexing
Bagian ini akan menjelaskan implementasi kelas yang digunakan
pada sistem. Sistem akan mempersiapkan dokumen untuk dapat digunakan
dalam proses pencarian. Proses – proses yang dilakukan adalah pemisahan
kata, stemming, pembacaan dokumen, stopword removal, penyimpanan
pada basis data. Indexing dilakukan jika terjadi penambahan atau
perubahan dokumen serta jika terjadi penambahan atau perubahan
stopword. Berikut adalah metode indexingDokumen(Dokumen).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
90
4.3.1. Proses Indexing
Proses indexingDokumen secara umum akan memanggil metode
indexing(Dokumen).
public void indexingDokumen(Dokumen dokumen) throws SQLException {
PorterStemmer stemming = new PorterStemmer();
Dokumen d = dokumen;
String isiDok = FileController.getKoneksiKontrol().ambilKata(d.getFileFisik());
d.setIsi(isiDok);
FileController.getKoneksiKontrol().insertDokumen(d);//insert doc
String[] doc = isiDok.toLowerCase().replaceAll(";", " ").split(" ");
for (int j = 0; j < doc.length; j++) {
if (!doc[j].isEmpty()) {
int index = IndexingController.getKoneksiKontrol().cekKata(doc[j]);
if (index == -1) {
IndexingController.getKoneksiKontrol().insertKata(d,
stemming.stemming(doc[j]));//insert word}}}}} List Code 4. 1 List indexingDokumen
4.3.2. Pemisahan Kata (Tokenizing)
Pada tahap ini, sistem akan melakukan proses pemisahan kata
menggunakan metode replaceAll. Tanda baca ”;” digunakan sebagai
pemisah gejala dan query. Dengan menggunakan metode split sebuah
String dapat dipotong menjadi kata penyusunnya.
dokumen.setIsi(isi.replaceAll("\n", "\\;"));
List Code 4. 2 Penggunaan metode replaceAll
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
91
String[] doc = isiDok.toLowerCase().replaceAll(";", " ").split(" ");
List Code 4. 3 Penggunaan metode split
4.3.3. Stemming
Proses stemming merupakan proses untuk mencari kata dasar.
Pencarian kata dasar untuk bahasa Indonesia menggunakan metode Porter
Stemmer for Bahasa Indonesia. Proses akan menerima masukan sebuah
kata yang bertipe String. Proses stemming pada kata tersebut berdasarkan
aturan – aturan yang diberikan pada metode Porter Stemmer for Bahasa
Indonesia. Proses akan mengembalikan String sebagai kata dasar.
public String stemming(String kata) {
String hasil = "";
try {
int id_Dic = IndexingController.getKoneksiKontrol().cekKataKamus(kata);
if (id_Dic > 0) {
hasil = kata;
} else {
hasil = rule2(rule1(kata));
String temp = rule3(hasil);
if (temp.equalsIgnoreCase(hasil)) {
temp = rule4(hasil);
temp = rule5(temp);
hasil = temp;
} else {
String temp2 = rule5(temp);
if (!temp2.equalsIgnoreCase(temp)) {
hasil = temp2;
} else {
hasil = rule4(temp2);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
92
}}}
if (hasil.matches("[a-zA-Z]*")) {
int idKataKamus =
IndexingController.getKoneksiKontrol().cekKataKamus(hasil);
int idKataStop = IndexingController.getKoneksiKontrol().cekKata(hasil);
if (idKataKamus < 1 && idKataStop < 1) {
IndexingController.getKoneksiKontrol().insertKamus(hasil);
}}
} catch (SQLException ex) {
Logger.getLogger(PorterStemmer.class.getName()).log(Level.SEVERE, null, ex);
}
return hasil;
} List Code 4. 4 Stemming
Pada metode stemming memanggil metode rule1(String). Metode
tersebut mengimplementasikan algoritma penghapusan partikel -kah, -lah,
-pun. Berikut adalah pemaparan metode rule1(String).
public String rule1(String kata) {
String hasil = kata;
int count = getCountWord(kata);
if (count > 3) {
char[] a = kata.toLowerCase().toCharArray();
if (a[a.length - 3] == 'k' && a[a.length - 2] == 'a' && a[a.length - 1] == 'h') {
hasil = String.valueOf(a, 0, a.length - 3);
} else if (a[a.length - 3] == 'l' && a[a.length - 2] == 'a' && a[a.length - 1] == 'h') {
hasil = String.valueOf(a, 0, a.length - 3);
} else if (a[a.length - 3] == 'p' && a[a.length - 2] == 'u' && a[a.length - 1] == 'n')
{hasil = String.valueOf(a, 0, a.length - 3); }}
return hasil;
} List Code 4. 5 List rule1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
93
Metode rule2(String) mengimplementasikan algoritma
penghapusan partikel - ku, -mu, -nya. Berikut adalah pemaparan metode
rule2(String).
public String rule2(String kata) {
String hasil = kata;
int count = getCountWord(kata);
if (count > 3) {
char[] a = kata.toLowerCase().toCharArray();
if (a[a.length - 2] == 'k' && a[a.length - 1] == 'u') {
hasil = String.valueOf(a, 0, a.length - 2);
} else if (a[a.length - 2] == 'm' && a[a.length - 1] == 'u') {
hasil = String.valueOf(a, 0, a.length - 2);
} else if (a[a.length - 3] == 'n' && a[a.length - 2] == 'y' && a[a.length - 1] == 'a')
{
hasil = String.valueOf(a, 0, a.length - 3);
}
}
return hasil;
} List Code 4. 6 List rule2
Metode rule3(String) mengimplementasikan algoritma
penghapusan awalan meng-, meny-, men-, mem-, mem-, me-, peng-, peny-
, pen-, pem-, di-, ter-, dan ke-. Berikut adalah pemaparan metode
rule3(String).
public String rule3(String kata) {
String hasil = kata;
int count = getCountWord(kata);
if (count > 4) {
char[] a = kata.toLowerCase().toCharArray();
if (a[0] == 'm' && a[1] == 'e') {
hasil = String.valueOf(a, 2, a.length - 2);
if (a[2] == 'n') {
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
94
hasil = String.valueOf(a, 3, a.length - 3);
if (String.valueOf(a[3]).matches("[aiueoAIUEO]")) {
hasil = "t".concat(String.valueOf(a, 3, a.length - 3));
}
if (a[3] == 'g') {
hasil = String.valueOf(a, 4, a.length - 4);
} else if (a[3] == 'y') {
hasil = String.valueOf(a, 4, a.length - 4);
if (String.valueOf(a[4]).matches("[aiueoAIUEO]")) {
hasil = "s".concat(String.valueOf(a, 4, a.length - 4));
}}} else if (a[2] == 'm') {
hasil = String.valueOf(a, 3, a.length - 3);
if (String.valueOf(a[3]).matches("[aiueoAIUEO]")) {
hasil = "p".concat(String.valueOf(a, 3, a.length - 3));
}} } else if (a[0] == 'p' && a[1] == 'e') {
if (a[2] == 'n') {
hasil = String.valueOf(a, 3, a.length - 3);
if (String.valueOf(a[3]).matches("[aiueoAIUEO]")) {
hasil = "t".concat(String.valueOf(a, 3, a.length - 3));
}
if (a[3] == 'g') {hasil = String.valueOf(a, 4, a.length - 4); }
else if (a[3] == 'y') {
hasil = String.valueOf(a, 4, a.length - 4);
if (String.valueOf(a[4]).matches("[aiueoAIUEO]")) {
hasil = "t".concat(String.valueOf(a, 4, a.length - 4));
}}} else if (a[2] == 'm') {hasil = String.valueOf(a, 3, a.length - 3);
if (String.valueOf(a[3]).matches("[aiueoAIUEO]")) {
hasil = "p".concat(String.valueOf(a, 3, a.length - 3)); }}
} else if (a[0] == 'd' && a[1] == 'i') {hasil = String.valueOf(a, 2, a.length - 2);
} else if (a[0] == 'k' && a[1] == 'e') {hasil = String.valueOf(a, 2, a.length - 2);
} else if (a[0] == 't' && a[1] == 'e' && a[2] == 'r') {hasil = String.valueOf(a, 3,
a.length - 3); }}
return hasil;
} List Code 4. 7 List rule3
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
95
Metode rule4(String) mengimplementasikan algoritma
penghapusan awalan ber-, bel-, be-, per-, pel-, pe-. Berikut adalah
pemaparan metode rule4(String).
public String rule4(String kata) {
String hasil = kata;
int count = getCountWord(kata);
if (count > 3) {
char[] a = kata.toLowerCase().toCharArray();
if (a[0] == 'b' && a[1] == 'e') {
hasil = String.valueOf(a, 2, a.length - 2);
if (a[2] == 'r') {
hasil = String.valueOf(a, 3, a.length - 3);
} else if (a[2] == 'l') {
hasil = String.valueOf(a, 3, a.length - 3);
} else if (a[2] == 'n' && a[3] == 'g') {
hasil = kata;
}
} else if (a[0] == 'p' && a[1] == 'e') {
hasil = String.valueOf(a, 2, a.length - 2);
if (a[2] == 'r') {
hasil = String.valueOf(a, 3, a.length - 3);
} else if (a[2] == 'l') {
hasil = String.valueOf(a, 3, a.length - 3);
}}}
return hasil;
} List Code 4. 8 List rule4
Metode rule5(String) mengimplementasikan algoritma
penghapusan akhiran -kan, -an, -i. Berikut adalah pemaparan metode
rule5(String). Pada proses ini terdapat penambahan pada algoritma untuk
menghindari masukan kata dengan awalan pada rule3 yang dikombinasi
dengan akhiran pada rule5.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
96
public String rule5(String kata) {
String hasil = kata;
int count = getCountWord(kata);
if (count > 3) {
char[] a = kata.toLowerCase().toCharArray();
if (a[a.length - 3] == 'k' && a[a.length - 2] == 'a' && a[a.length - 1] == 'n') {
if (kata.startsWith("ke") || kata.startsWith("peng")) {
hasil = kata;
} else {
hasil = String.valueOf(a, 0, a.length - 3);
}
} else if (a[a.length - 2] == 'a' && a[a.length - 1] == 'n') {
if (kata.startsWith("di") || kata.startsWith("ter") || kata.startsWith("meng")) {
hasil = kata;
} else {
hasil = String.valueOf(a, 0, a.length - 2);
}
} else if (a[a.length - 1] == 'i') {
if (kata.startsWith("ber") || kata.startsWith("ke") || kata.startsWith("peng")) {
hasil = kata;
} else {
hasil = String.valueOf(a, 0, a.length - 1);
}
}
}
return hasil;
} List Code 4. 9 List rule5
Pada proses stemming memanggil metode getCountWord(String)
yang digunakan untuk menghitung jumlah abjad kata masukkan. Dengan
demikian tanda baca dan angka akan dihiraukan. Metode ini akan
mengembalikan nilai bertipe integer. Nilai tersebut merupakan jumlah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
97
abjad pada kata masukkan. Berikut pemaparan metode
getCountWord(String).
public int getCountWord(String kata) {
int max = 0;
if (kata != null) {
char[] charArr = kata.toCharArray();
for (int i = 0; i < charArr.length; i++) {
if (String.valueOf(charArr[i]).matches("[a-zA-Z]")) {
max = max + 1;
}
}
}
return max;
} List Code 4. 10 getCountWord
4.3.4. Pembacaan File Dokumen
Pembacaan file dokumen dilakukan setelah pembuatan file
dokumen. Pembacaan ini digunakan sebelum tahap penyimpanan indek
dokumen pada basis data. Penggunaaan dua data dimaksudkan untuk
membantu ketika basis data mengalami error, pengguna masih
mempunyai file (dokumen) yang sama dengan yang ada pada basis data.
Dengan demikian, pengguna dapat melakukan penyimpanan ulang pada
basis data menggunakan file fisik dokumen. Fungsi dari metode ini adalah
membaca isi dokumen yang bertipe file. Berikut adalah pemaparan list
untuk melakukan pembacaan file.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
98
public String ambilKata(File file) {
String isiDok = "";
String hasil = "";
FileInputStream fis = null;
BufferedInputStream bis = null;
DataInputStream dis = null;
try {
fis = new FileInputStream(file);
bis = new BufferedInputStream(fis);
dis = new DataInputStream(bis);
while (dis.available() != 0) {
hasil += dis.readLine();
}
fis.close();
bis.close();
dis.close();
} catch (FileNotFoundException e) { e.printStackTrace();
} catch (IOException e) {e.printStackTrace();
} char[] charArr = hasil.toCharArray();
for (int i = 0; i < charArr.length; i++) {
if (file.getName().equalsIgnoreCase("stopword.txt")) {
if (String.valueOf(charArr[i]).matches("[-;a-zA-Z ]")) {
isiDok = isiDok.concat(String.valueOf(charArr[i]));
} else {
isiDok = isiDok.concat(" ");
}
} else {
if (String.valueOf(charArr[i]).matches("[;a-zA-Z ]")) {
isiDok = isiDok.concat(String.valueOf(charArr[i]));
} else { isiDok = isiDok.concat(" "); }
}
}
return isiDok;
} List Code 4. 11 List pembacaan dokumen
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
99
Pada metode ini, String yang dikembalikan hanya mengandung
abjad dan tanda baca “;”. Hal ini dimaksudkan untuk menghilangkan tanda
baca dan angka. Metode ini juga digunakan pada file stopword.txt yang
berfungsi menyimpan daftar stopword.
4.3.5. Stopword Removal
Penghilangan stopword dilakukan menggunakan metode
cekKata(String). Metode ini menggunakan masukkan String, dan
mengembalikan nilai integer yang merupakan indek stopword. Nilai
kembalian akan bernilai lebih besar dari 0 (nol) jika kata masukkan
termasuk dalam kategori stopword.
public int cekKata(String kata) throws SQLException {
PreparedStatement statement = null;
ResultSet result = null;
int index = -1;
try {
connection.setAutoCommit(false);
statement = connection.prepareStatement(SQL_CEKKATA);
statement.setString(1, kata.toLowerCase());
result = statement.executeQuery();
if (result.next()) {
index = result.getInt(1);
}
connection.commit();
return index;
} catch (SQLException exception) {
connection.rollback();
throw exception;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
100
} finally {
try {
connection.setAutoCommit(true);
if (result != null) {
result.close();
}
if (statement != null) {
statement.close();
}
} catch (SQLException exception) {
throw exception;
}
}
} List Code 4. 12 Stopword removal
Query basis data yang digunakan adalah variabel
SQL_CEKKATA. Query tersebut berfungsi mengambil nilai indek
stopword. Berikut adalah pemaparan variabel SQL_CEKKATA.
private final String SQL_CEKKATA = "SELECT id_stop FROM katastop WHERE
lower(kata_stop) LIKE ?";
Query 4. 6 Query SQL_CEKKATA
4.3.6. Penyimpanan pada Basis Data
Penyimpanan pada basis data merupakan proses dimana sistem
akan menyimpan dokumen, menghitung nilai tf, serta membuat indek pada
basis data. Pada proses ini penyimpanan dokumen, sistem menggunakan
stored procedure insert_dokumen_table. Berikut adalah stored procedure
insert_dokumen_table.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
101
DELIMITER $$
USE `skripsi095314051`$$
DROP PROCEDURE IF EXISTS `insert_dokumen_table`$$
CREATE DEFINER=`skripsi`@`localhost` PROCEDURE `insert_dokumen_table`(IN
p_judul VARCHAR(255), IN p_isi TEXT, IN p_nama_file VARCHAR(255))
BEGIN
DECLARE v_judul VARCHAR(255);
DECLARE v_isi TEXT;
DECLARE v_id INT;
SELECT judul, isi INTO v_judul, v_isi
FROM dokumen WHERE judul LIKE p_judul AND isi LIKE p_isi;
IF v_judul IS NULL AND v_isi IS NULL THEN
INSERT INTO dokumen (judul, isi, file_fisik) VALUES (p_judul,
p_isi, p_nama_file);
ELSE
SELECT id INTO v_id FROM dokumen WHERE judul LIKE p_judul;
UPDATE dokumen SET judul = p_judul, isi = p_isi WHERE id = v_id;
END IF;
END$$
DELIMITER ; Query 4. 7 Stored procedure insert_dokumen_table
Untuk menjalankan stored procedure insert_dokumen_table,
sistem akan memanggil metode insertDokumen(Dokumen). Berikut adalah
pemaparan metode insertDokumen.
public void insertDokumen(Dokumen dokumen) throws SQLException {
CallableStatement statement = null;
ResultSet result = null;
try {
connection.setAutoCommit(false);
statement = connection.prepareCall(SQL_INSERTDOKUMEN);
statement.setString(1, dokumen.getJudul());
statement.setString(2, dokumen.getIsi());
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
102
statement.setString(3, dokumen.getNamaFile());
statement.executeUpdate();
connection.commit();
} catch (SQLException exception) {
connection.rollback();
throw exception;
} finally {
try {
connection.setAutoCommit(true);
if (result != null) {result.close();}
if (statement != null) { statement.close();}
} catch (SQLException exception) {
throw exception;
}
}
} List Code 4. 13 List insertDokumen
Perhitungan tf dilakukan pada saat proses penyimpanan kata dari
sebuah dokumen. Proses ini memanfaatkan stored procedure insertKata.
Stored procedure akan berfungsi untuk menyimpan kata pada basis data
dan menghitung nilai tf. Tidak hanya itu, stored procedure ini juga
berfungsi membuat indek pada basis data. Indek tersebut akan tersimpan
pada tabel dokumen_kata. Berikut adalah pemaparan stored procedure
insertKata.
DELIMITER $$
USE `skripsi095314051`$$
DROP PROCEDURE IF EXISTS `insertKata`$$
CREATE DEFINER=`skripsi`@`localhost` PROCEDURE `insertKata`(IN p_judul
VARCHAR(255), IN kata VARCHAR(255))
BEGIN
DECLARE v_idkata INT;
DECLARE v_iddok INT;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
103
DECLARE v_tf INT DEFAULT 0;
DECLARE v_id INT;
DECLARE v_idstop INT DEFAULT 0;
SELECT IFNULL(id_stop,0) INTO v_idstop FROM katastop WHERE
kata_stop LIKE kata;
IF v_idstop = 0 THEN
SELECT IFNULL(id_kata,0) INTO v_idkata FROM katadasar
WHERE kata_dasar LIKE kata;
SELECT IFNULL(id,0) INTO v_iddok FROM dokumen WHERE
LOWER(judul) LIKE p_judul;
IF v_idkata = 0 THEN /*jika belum ada*/
INSERT INTO katadasar (kata_dasar) VALUES (kata);
END IF;
SELECT IFNULL(id_kata,0) INTO v_idkata FROM katadasar
WHERE kata_dasar LIKE kata;
SELECT IFNULL(tf,0) INTO v_tf FROM dokumen_kata WHERE
dokumen_id = v_iddok AND katadasar_id = v_idkata;
IF v_tf = 0 THEN/*jika belum ada*/
INSERT INTO dokumen_kata (dokumen_id, katadasar_id, tf)
VALUES(v_iddok, v_idkata, 1);
ELSE/*jika sudah ada kata*/
UPDATE dokumen_kata SET tf = (v_tf+1) WHERE
dokumen_id = v_iddok AND katadasar_id = v_idkata;
END IF;
END IF;
END$$
DELIMITER ; Query 4. 8 Stored procedure insertKata
Sistem akan memanggil metode insertKata(String) untuk
menjalankan stored procedure Query 4. 8.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
104
4.3.7. Penambahan Dokumen
Pada proses ini, sistem akan menerima sebuah masukan JDialog
dialog, JTextField field, JTextArea area. Nilai field digunakan sebagai
nama penyakit (judul) dan nilai area digunakan sebagai gejala penyakit
(isi). Penggunaan dialog adalah sebagai antarmuka penambahan dokumen.
Sistem akan membaca direktori yang telah ditentukan pengguna sebagai
penyimpanan file fisik dokumen. Jika pengguna belum menentukan
direktori, maka direktori dianggap menggunakan default yaitu pada folder
“List penyakit” pada direktori yang sama dengan sistem. Sistem akan
menyimpan isi pada file dengan nama file menggunakan judul. File ini
akan disimpan dengan menggunakan ekstensi .txt. Proses dilanjutkan
dengan melakukan indexing file tersebut.
public void tambahDokumen(JDialog dialog, JTextField field, JTextArea area) throws
FileNotFoundException, UnsupportedEncodingException, SQLException {
String nama = field.getText();
String isi = area.getText();
String pathSetting = SettingController.getSettingController().getPengaturan();
String path = "";
if (!pathSetting.isEmpty() && pathSetting.startsWith("FILE_DIR")) {
String[] n = pathSetting.split(";");
path = n[0].substring(11).concat("/" + nama + ".txt");
} else {
path = "./List penyakit/" + nama + ".txt";
}
String[] perBaris = isi.split("\n");
int count = JOptionPane.showConfirmDialog(area, "Apakah anda yakin akan
melakukan penambahan?");
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
105
if (count == 0) {
PrintWriter writer = new PrintWriter(path, "UTF-8");
for (int i = 0; i < perBaris.length; i++) {
String string = perBaris[i];
writer.println(string.concat(";"));
}
writer.close();
File file = new File(path);
Dokumen dokumen = new Dokumen(file);
dokumen.setIsi(isi.replaceAll("\n", "\\;"));
IndexingController.getKoneksiKontrol().indexingDokumen(dokumen);
area.setText(null);
field.setText(null);
dialog.dispose();
JOptionPane.showMessageDialog(area, "Penyakit " + dokumen.getJudul() + "
berhasil ditambahkan");
} else {
JOptionPane.showMessageDialog(area, "Penambahan penyakit batal dilakukan");
}
} List Code 4. 14 Penambahan Dokumen
4.3.8. Perubahan Dokumen
Proses ini dimaksudkan agar pengguna dapat merubah isi
dokumen. Hal ini dapat memudahkan pengguna untuk memperbarui gejala
umum pada dokumen. Pada proses ini, perubahan dokumen akan
menyebabkan proses indexing untuk seluruh dokumen pada koleksi.
Berikut adalah metode untuk melakukan proses perubahan dokumen.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
106
public void ubahIsiDokumen(int row, JTable table, JTextArea area, JButton button,
JButton button2) throws FileNotFoundException, UnsupportedEncodingException,
SQLException {
PreparedStatement statement = null;
ResultSet result = null;
try {
if (table.getRowCount() > 0 && table.getValueAt(0, 0) != null) {
Dokumen dokumen = (Dokumen) table.getValueAt(row, 1);
String isi = area.getText();
String[] perBaris = isi.split("\n");
String is = SettingController.getSettingController().getPengaturan();
String path = "";
if (!is.isEmpty() && is.startsWith("FILE_DIR")) {
String[] n = is.split(";");
path = n[0].substring(11).concat("/" + dokumen.getNamaFile());
} else {
path = "./List penyakit/" + dokumen.getNamaFile();
}
int count = JOptionPane.showConfirmDialog(area, "Apakah anda yakin akan
melakukan perubahan?");
if (count == 0) {
PrintWriter writer = new PrintWriter(path, "UTF-8");
for (int i = 0; i < perBaris.length; i++) {
String string = perBaris[i];
writer.println(string.concat(";"));
}
writer.close();
dokumen.setIsi(isi.replaceAll("\n", "\\;"));
connection.setAutoCommit(false);
statement = connection.prepareStatement(SQL_UPDATEDOKUMEN);
statement.setObject(1, dokumen.getIsi());
statement.setObject(2, dokumen.getIdDok());
statement.executeUpdate();
connection.commit();
Dokumen[] dokumens =
FileController.getKoneksiKontrol().getAllDokumenFromDB();
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
107
IndexingController.getKoneksiKontrol().preInsert();
if (dokumens != null && dokumens.length > 0) {
for (int i = 0; i < dokumens.length; i++) {
Dokumen temp = dokumens[i];
IndexingController.getKoneksiKontrol().indexingDokumen(temp);
}
} else {
IndexingController.getKoneksiKontrol().IndexKoleksi(null,
MainForm.mainForm.getFolderDirektori(), null);
}
JOptionPane.showMessageDialog(area, "Gejala umum penyakit " +
dokumen.getJudul() + " berhasil dirubah");
} else {
JOptionPane.showMessageDialog(area, "Gejala umum penyakit " +
dokumen.getJudul() + " batal dirubah");
}
area.setText(null);
area.setEnabled(false);
area.setEditable(false);
button.setEnabled(false);
button2.setEnabled(false);
table.requestFocus();
}
} catch (SQLException exception) {
connection.rollback();
throw exception;
} finally {
try {
connection.setAutoCommit(true);
if (result != null) { result.close();}
if (statement != null) {statement.close();}
} catch (SQLException exception) {throw exception; }
}
} List Code 4. 15 List ubahIsiDokumen
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
108
4.3.9. Penambahan Stopword
Penambahan stopword dapat mengaktifkan proses indexing.
Penambahan ini menjadi trigger bagi metode indexingDokumen, karena
setiap dokumen tersimpan akan dihitung kembali term dan tf-nya. Berikut
pemaparan metode untuk penambahan stopword. Berikut adalah
pemaparan metode untuk melakukan penambahan stopword.
public void tambahStopWord(JTable daftarKataTabel, JTextField field, JButton button)
throws FileNotFoundException, UnsupportedEncodingException, SQLException {
String stop = field.getText();
File file = new File("./List Stopwords/stopword.txt");
String isi = FileController.getKoneksiKontrol().ambilKata(file);
int count = JOptionPane.showConfirmDialog(field, "Apakah anda yakin akan
melakukan penambahan?");
if (count == 0) {
PrintWriter writer = new PrintWriter(file, "UTF-8");
writer.println(isi.concat(" ").concat(stop));
writer.close();
FileController.getKoneksiKontrol().insertStop(stop);
Dokumen[] dokumens =
FileController.getKoneksiKontrol().getAllDokumenFromDB();
IndexingController.getKoneksiKontrol().preInsert();
if (dokumens != null && dokumens.length > 0) {
for (int i = 0; i < dokumens.length; i++) {
Dokumen dokumen = dokumens[i];
IndexingController.getKoneksiKontrol().indexingDokumen(dokumen);
}
} else {
IndexingController.getKoneksiKontrol().IndexKoleksi(null,
MainForm.mainForm.getFolderDirektori(), null);
}
JOptionPane.showMessageDialog(field, "Stop word " + stop + " berhasil
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
109
ditambahkan");
isiTabelStopword(daftarKataTabel);
field.setText(null);
button.setEnabled(false);
daftarKataTabel.requestFocus();
} else {
JOptionPane.showMessageDialog(field, "Penambahan stop word batal
dilakukan");
}
} List Code 4. 16 List penambahan stopword
4.3.10. Perubahan Stopword
Seperti pada penambahan stopword, perubahan stopword juga
dapat menjadi trigger bagi metode indexingDokumen. Semua dokumen
tersimpan akan dihitung kembali term dan tf-nya. Berikut adalah
pemaparan metode untuk melakukan perubahan stopword.
public void ubahStopWord(int row, JTable daftarKataTabel, JTextField field, JTextField
fieldLama, JButton button) throws FileNotFoundException,
UnsupportedEncodingException, SQLException {
PreparedStatement statement = null;
ResultSet result = null;
try {
connection.setAutoCommit(false);
KataStop stopWord = (KataStop) daftarKataTabel.getValueAt(row, 1);
if (stopWord != null) {
String stop = field.getText();
File file = new File("./List Stopwords/stopword.txt");
String isi = FileController.getKoneksiKontrol().ambilKata(file);
String[] listStop = isi.split(" ");
if (listStop.length > 0) {
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
110
int count = JOptionPane.showConfirmDialog(field, "Apakah anda yakin akan
melakukan penambahan?");
if (count == 0) {
PrintWriter writer = new PrintWriter(file, "UTF-8");
String isiBaru = "";
for (int i = 0; i < listStop.length; i++) {
String string = listStop[i];
if (string.equalsIgnoreCase(stopWord.getKataStop())) {
isiBaru = isiBaru.concat(stop);
} else {
isiBaru = isiBaru.concat(string);
}
if (i != listStop.length - 1) {
isiBaru = isiBaru.concat(" ");
}
}
writer.println(isiBaru);
writer.close();
statement = connection.prepareStatement(SQL_UPDATESTOP);
statement.setString(1, stop);
statement.setInt(2, stopWord.getIdStop());
statement.executeUpdate();
connection.commit();
Dokumen[] dokumens =
FileController.getKoneksiKontrol().getAllDokumenFromDB();
IndexingController.getKoneksiKontrol().preInsert();
if (dokumens != null && dokumens.length > 0) {
for (int i = 0; i < dokumens.length; i++) {
Dokumen dokumen = dokumens[i];
IndexingController.getKoneksiKontrol().indexingDokumen(dokumen);
}
} else {
IndexingController.getKoneksiKontrol().IndexKoleksi(null,
MainForm.mainForm.getFolderDirektori(), null);
}
JOptionPane.showMessageDialog(field, "Stop word " +
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
111
stopWord.getKataStop() + " berhasil dirubah menjadi " + stop);
isiTabelStopword(daftarKataTabel);
field.setText(null);
fieldLama.setText(null);
button.setEnabled(false);
daftarKataTabel.requestFocus();
} else {
JOptionPane.showMessageDialog(field, "Perubahan stop word batal
dilakukan");
}
}
}
} catch (SQLException exception) {
connection.rollback();
throw exception;
} finally {
try {
connection.setAutoCommit(true);
if (result != null) {
result.close();
}
if (statement != null) {
statement.close();
}
} catch (SQLException exception) {
throw exception;
}
}
} List Code 4. 17 List perubahan stopword
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
112
4.4. Implementasi Proses Query Processing
Pada bagian ini, sistem akan memproses query pencarian dari
pengguna agar dapat dihitung menggunakan algoritma model. Metode
untuk pemrosesan ini akan mengembalikan nilai balik berupa array 1
(satu) dimensi bertipe integer. Metode ini memiliki nilai balik yang berisi
indek dari kata penyusun query. Berikut adalah implementasi pemrosesan
query.
public int[] generateQ(Query q) {
int[] qStem = null;
Vector<Integer> vInteger = new Vector<Integer>();
String[] kata = this.getQuery().replaceAll(";", " ").replaceAll("\n",
"").toLowerCase().split(" ");
PorterStemmer s = new PorterStemmer();
String temp = "";
try {
for (int i = 0; i < kata.length; i++) {
String kataQuery = kata[i];
int a = SearchController.getKoneksiKontrol().hapusStop(kataQuery);
if (a == 0) {
String kTemp = s.stemming(kataQuery);
int b = SearchController.getKoneksiKontrol().cekKataQuery(kTemp);
if (b > 0) {
if (!temp.contains("[".concat(String.valueOf(b)).concat("]"))) {
temp = temp.concat("[".concat(String.valueOf(b))).concat("] ");
vInteger.add(b);
}
}
}
}
qStem = new int[vInteger.size()];
for (int i = 0; i < vInteger.size(); i++) {
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
113
Object o = vInteger.get(i);
int idQ = Integer.parseInt(o.toString());
qStem[i] = idQ;
}
this.setTermQ(qStem);
} catch (SQLException ex) {
Logger.getLogger(Query.class.getName()).log(Level.SEVERE, null, ex);
}
return this.getTermQ();
} List Code 4. 18 List pemrosesan query
4.5. Implementasi Proses Searching
Pada bagian ini, sistem akan menangani perhitungan kemiripan
query dengan dokumen. Query masukkan akan diproses sesuai dengan
model yang digunakan. Proses searching (differential diagnose) dilakukan
menggunakan 3 (tiga) algoritma IR. Langkah awal pada tahap ini adalah
membuat indeks pada Hashmap. Indeks tersebut menggunakan metode
inverted index. Dapat dikatakan, hash menyimpan data istilah beserta
posting list dokumen. Posting list dokumen akan disimpan dengan
Hashmap untuk memudahkan pencarian. Berikut metode yang digunakan
dalam pembuatan indeks.
public HashMap<Integer, HashMap<Integer, IndexingController>> getIndex() throws
SQLException {
PreparedStatement statement = null;
ResultSet result = null;
HashMap<Integer, HashMap<Integer, IndexingController>> hash = null;
try {
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
114
connection.setAutoCommit(false);
statement = connection.prepareStatement(SQL_GETINDEX);
result = statement.executeQuery();
int count = getRowCount(result);
if (count > 0) {
hash = new HashMap<Integer, HashMap<Integer, IndexingController>>();
HashMap<Integer, IndexingController> mapIndex = new HashMap<Integer,
IndexingController>();
int idKD = 1;
int counter = 0;
while (result.next()) {
int idDok = result.getInt(1);
int idKata = result.getInt(2);
double tf = result.getDouble(3);
String kata = idKata + " " + idDok;
if (tf > 0) {
tf = 1;
}
IndexingController ic = new IndexingController(kata, idDok, idKata, tf);
if (idKD == idKata) {
mapIndex.put(idDok, ic);
counter++;
} else {
if (mapIndex != null) {
hash.put(idKD, mapIndex);
}
counter = 0;
mapIndex = new HashMap<Integer, IndexingController>();
mapIndex.put(idDok, ic);
}
idKD = idKata;
}
hash.put(idKD, mapIndex);
}
connection.commit();
return hash;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
115
} catch (SQLException exception) {
connection.rollback();
throw exception;
} finally {
try {
connection.setAutoCommit(true);
if (result != null) {
result.close();
}
if (statement != null) {
statement.close();
}
} catch (SQLException exception) {
throw exception;
}
}
} List Code 4. 19 List getIndex
Fungsi penulisan, if (tf > 0) {tf = 1; } digunakan untuk membuat
binary TF. Setiap hasil query SQL disimpan pada kelas
IndexingController. Kelas IndexingController yang akan disimpan pada
posting list dokumen. Berikut adalah pemaparan algoritma yang digunakan
dalam pencarian.
Setiap kelas yang berfungsi sebagai model, mengimplementasi
kelas Comparable. Hal ini dimaksudkan untuk dapat melakukan
perbandingan nilai kemiripan. Dengan menggunakan kelas Arrays, maka
pemanggilan metode sort untuk setiap kelas model dapat dilakukan.
Pengurutan dilakukan secara menurun, dari dokumen yang bernilai besar
dan berakhir pada nilai yang kecil. Untuk melakukan perhitungan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
116
kemiripan, form menggunakan metode pada controller. Berikut pemaparan
metode getSimilarity yang digunakan.
public void getSimilarity(JLabel waktuShowLabel, String q, JTable table) {
try {
int result = openConfigurationFile(new File("setting.conf"));
if (listDok == null) {listDok =
FileController.getKoneksiKontrol().getAllDokumenFromDB();}
if (listDok == null) {JOptionPane.showMessageDialog(table, "Daftar penyakit
masih kosong");}
else {
double nKata = SearchController.getKoneksiKontrol().cekJumlahKataDasar();
Query query = new Query(q);
long startSecond = System.currentTimeMillis();
if (result == 0) {
PM.getKoneksiKontrol().isiTable(table,
this.getKoneksiKontrol().getKataVector(), hash, listDok, nKata, query);
} else if (result == 1) {
VSM.getKoneksiKontrol().isiTable(table,
this.getKoneksiKontrol().getKataVector(), hash, listDok, nKata, query); } else if (result
== 2) {EBM.getKoneksiKontrol().isiTable(table,
this.getKoneksiKontrol().getKataVector(), hash, listDok, nKata, query); }
long endSecond = System.currentTimeMillis();
double lama = (endSecond - startSecond) / 1000.0;
waktuShowLabel.setText(lama + " s");
System.out.println(String.valueOf(lama).replaceAll("\\.", ","));}
} catch (SQLException ex) {
Logger.getLogger(SearchController.class.getName()).log(Level.SEVERE, null, ex);
} catch (FileNotFoundException ex) {
Logger.getLogger(SearchController.class.getName()).log(Level.SEVERE, null, ex);
} catch (IOException ex) {
Logger.getLogger(SearchController.class.getName()).log(Level.SEVERE, null, ex);
}
} List Code 4. 20 List getSimilarity
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
117
4.5.1. Probabilistic Model (PM)
Dalam proses perhitungan kemiripan, PM akan melakukan
preprocessing terhadap koleksi untuk menentukan relevan set. Dalam
proses tersebut, PM akan mencari bobot tiap kata. Berdasarkan bobot tiap
kata, PM dapat menentukan bobot sementara dokumen. Bobot dokumen
yang bernilai >= 0,5 akan dianggap sebagai relevan. Dokumen tersebut
akan dimasukkan ke dalam vector dokumen.
public void hitungBobotPerkata(Vector<KataDasar> vector, double N) {
for (int i = 0; i < vector.size(); i++) {
double peluang = Math.log((N + 0.5) / (double) (vector.elementAt(i).getDf() +
0.5));
vector.elementAt(i).setPeluangKata(peluang);
}
} List Code 4. 21 List hitungBobotPerKata
public Vector<Dokumen> getDokumenRelevanByQuery(Dokumen[] listDok,
HashMap<Integer, HashMap<Integer, IndexingController>> hash, Vector<KataDasar>
vector, Query query) {
int[] idQs = query.generateQ(query);
Vector<Dokumen> dokVector = new Vector<Dokumen>();
for (int i = 0; i < listDok.length; i++) {
Dokumen dokumen = listDok[i];
int idDok = dokumen.getIdDok();
int jumlah = 0;
double peluangKataPerDok = 0;
for (int j = 0; j < idQs.length; j++) {
int idKataQ = idQs[j];
if (hash.containsKey(idKataQ)) {
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
118
HashMap<Integer, IndexingController> hashD = hash.get(idKataQ);
if (hashD.containsKey(idDok)) {
IndexingController idc = hashD.get(idDok);
peluangKataPerDok += getPeluangKata(vector, idc.getIdKata());
jumlah++;
} } }
dokumen.setJumlahKataRelevan(jumlah);
dokumen.setPeluangKataPerDokumen(peluangKataPerDok);
listDok[i] = dokumen;
}
Arrays.sort(listDok);
for (int i = 0; i < listDok.length; i++) {
Dokumen dok = listDok[i];
if (dok.getJumlahKataRelevan() > 0) {
if (dok.getPeluangKataPerDokumen() >= 0.5) {
dokVector.add(dok);
} } }
this.dokumenRelevan = dokVector;
this.R = dokumenRelevan.size();
return dokVector; } List Code 4. 22 List getDokumenRelevanByQuery
Pada list 4.22, metode getDokumenRelevanByQuery memanggil
metode getPeluangKata(vector, idc.getIdKata()), hal tersebut berfungsi
untuk mengambil nilai bobot kata yang telah dihitung sebelumnya. Proses
yang terpenting dalam tahap ini adalah mengambil memasukkan dokumen
relevan ke dalam vector. Untuk menghitung kemiripan dibutuhkan metode
untuk mencari nilai df pada dokumen relevan. Berikut metode untuk
mencari df pada dokumen relevan.
public double getDFRelevan(Vector<Dokumen> dokumens, HashMap<Integer,
HashMap<Integer, IndexingController>> hash, int idKata) {
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
119
double df = 0;
Object[] o = dokumens.toArray();
for (int i = 0; i < o.length; i++) {
Dokumen object = (Dokumen) o[i];
int id = object.getIdDok();
if (hash.containsKey(idKata)) {
if (hash.get(idKata).containsKey(id)) {
df++;
}
}
}
return df;
}
List Code 4. 23 getDFRelevan
Pencarian PM dilakukan dengan menjalankan metode similarity.
Metode ini yang akan menghitung serta mengurutkan bobot dokumen
terhadap sebuah query. Berikut pemaparan metode similarity.
public LinkedList<PM> similarity(Vector<KataDasar> vector, HashMap<Integer,
HashMap<Integer, IndexingController>> hash, Dokumen[] listDok, double nKata, Query
query) throws SQLException {
pm = new PM();
pm.setPercentage(0);
pm.N = listDok.length;
pm.hitungBobotPerkata(vector, (int) pm.N);
Vector<Dokumen> dokumens = pm.getDokumenRelevanByQuery(listDok, hash,
vector, query);
int[] q = query.generateQ(query);
PM[] pms = new PM[listDok.length];
for (int i = 0; i < listDok.length; i++) {
Dokumen d = (Dokumen) listDok[i];
int idDok = d.getIdDok();
double similarity = 0;
double wtfidf = 0;
for (int j = 0; j < q.length; j++) {
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
120
double w = 0;
int idQT = q[j];
if (hash.containsKey(idQT)) {
HashMap<Integer, IndexingController> hashD = hash.get(idQT);
IndexingController idx = hashD.get(idDok);
if (idx != null) {
int indexKata = idx.getIdKata();
double df = vector.elementAt(indexKata - 1).getDf();
pm.ni = df;
pm.ri = pm.getDFRelevan(dokumens, hash, indexKata);
double kiri = (double) ((pm.getRi() + 0.5) / (pm.getR() - pm.getRi() +
0.5));
double kanan = (double) ((pm.getN() - pm.getNi() - pm.getR() +
pm.getRi() + 0.5) / (pm.getNi() - pm.getRi() + 0.5));
w = Math.log(kiri * kanan);
wtfidf += Math.log(listDok.length / df);
}
} else {w = 0; }
similarity += w;
}
PM pmTemp = new PM();
pmTemp.setDokumen(d);
pm.setPercentage(pm.getPercentage() + similarity);
pmTemp.setSimilarity(similarity);
pmTemp.setTfidf(wtfidf);
pms[i] = pmTemp;
}
Arrays.sort(pms);
int no = 1;
LinkedList<PM> list = new LinkedList<PM>();
for (int i = 0; i < pms.length; i++) {
PM pmT = pms[i];
pmT.setPercentage(pmT.getSimilarity() / pm.getPercentage() * 100);
pmT.setNo(no);
if (pmT.getSimilarity() > 0) {
list.add(pmT);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
121
no++;
}
}
return list;
}
List Code 4. 24 similarity (PM)
4.5.2. Vector Space Model (VSM)
Berbeda dengan PM, VSM tidak memerlukan preprocessing.
Untuk melakukan perhitungan, VSM akan menjalankan metode similarity.
Metode tersebut akan menghitung nilai bobot tiap kata pada dokumen,
serta bobot kata dalam query. Berikut pemaparan metode similarity.
public LinkedList<VSM> similarity(Vector<KataDasar> vector, HashMap<Integer,
HashMap<Integer, IndexingController>> hash, Dokumen[] listDok, double nKata, Query
query) throws SQLException {
vsm = new VSM();
vsm.setPercentage(0);
int[] q = query.generateQ(query);
VSM[] vsms = new VSM[listDok.length];
double totalWQ = 0;
for (int i = 0; i < q.length; i++) {
int j = q[i];
double wQ = SearchController.getKoneksiKontrol().getIdfKata(vector, j) * 1;
totalWQ += Math.pow(wQ, 2);
}
for (int i = 0; i < listDok.length; i++) {
double totalWT = 0;
double totalWDWQ = 0;
Dokumen d = listDok[i];
int idDok = d.getIdDok();
for (int j = 1; j <= nKata; j++) {
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
122
if (hash.containsKey(j)) {
HashMap<Integer, IndexingController> hashD = hash.get(j);
IndexingController idx = hashD.get(idDok);
double tf = 0;
double wTperDok = 0;
double idf = SearchController.getKoneksiKontrol().getIdfKata(vector, j);
if(idx!=null){ tf = 1; }
wTperDok = tf * idf;
/*cek term di query*/
double wQ = 0;
for (int k = 0; k < q.length; k++) {
int idQT = q[k];
if (j == idQT) {
wQ = idf;
break;
} else { wQ = 0; }
}
if (wQ > 0) {totalWDWQ += wTperDok * wQ; }
totalWT += Math.pow(wTperDok, 2);
}
}
double pembagi = Math.sqrt(totalWQ * totalWT);
double similarity = totalWDWQ / pembagi;
VSM vsmTemp = new VSM();
vsmTemp.setDokumen(d);
vsm.setPercentage(vsm.getPercentage() + similarity);
vsmTemp.setSimilarity(similarity);
vsms[i] = vsmTemp;
}
Arrays.sort(vsms);
int no = 1;
LinkedList<VSM> list = new LinkedList<VSM>();
for (int i = 0; i < vsms.length; i++) {
VSM vsmT = vsms[i];
vsmT.setPercentage(vsmT.getSimilarity() / vsm.getPercentage() * 100);
vsmT.setNo(no);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
123
if (vsmT.getSimilarity() > 0) {
list.add(vsmT);
no++;
}
}
return list;
}
List Code 4. 25 similarity (VSM)
4.5.3. Extended Boolean Model (EBM)
Berbeda dengan PM, EBM memerlukan preprocessing tetapi
pada bagian query. Query yang sudah diproses, kemudian digunakan untuk
menghitung kemiripan query dengan dokumen. Operator yang digunakan
adalah operator and. Untuk melakukan perhitungan, EBM akan
menjalankan metode similarity. Berikut pemaparan metode similarity.
public LinkedList<EBM> similarity(Vector<KataDasar> vector, HashMap<Integer,
HashMap<Integer, IndexingController>> hash, Dokumen[] listDok, double nKata, Query
query) throws SQLException {
ebm = new EBM();
ebm.setPercentage(0);
EBM[] ebms = new EBM[listDok.length];
int[] idKatas = query.generateQ(query);
double maxIDF = SearchController.getKoneksiKontrol().getMaxIDF(vector);
double p = 2;
for (int i = 0; i < listDok.length; i++) {
Dokumen d = listDok[i];
d.setEbmTemp(null);
int idDok = d.getIdDok();
double jumlahTemp = 0;
for (int j = 0; j < idKatas.length; j++) {
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
124
int indexQ = idKatas[j];
double w = 0;
if (hash.containsKey(indexQ)) {//jika query ada
HashMap<Integer, IndexingController> hashD = hash.get(indexQ);
IndexingController idx = hashD.get(idDok);
if (idx != null) {
w = SearchController.getKoneksiKontrol().getIdfKata(vector,
idx.getIdKata()) / maxIDF;
} else {
w = 0;
}
}
jumlahTemp += Math.pow((1 - w), p);
}
double similarity = 1- Math.pow((jumlahTemp / idKatas.length), (1 / p));
EBM ebmTemp = new EBM();
ebmTemp.setSimilarity(similarity);
ebmTemp.setDokumen(d);
ebm.setPercentage(ebm.getPercentage() + similarity);
ebms[i] = ebmTemp;
}
Arrays.sort(ebms);
int no = 1;
LinkedList<EBM> list = new LinkedList<EBM>();
for (int i = 0; i < ebms.length; i++) {
EBM ebmT = ebms[i];
ebmT.setPercentage(ebmT.getSimilarity() / ebm.getPercentage() * 100);
ebmT.setNo(no);
if (ebmT.getSimilarity() > 0) {
list.add(ebmT);
no++;
}
}
return list;
} List Code 4. 26 similarity (EBM)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB V
HASIL DAN PEMBAHASAN
Pada bab ini akan dipaparkan mengenai hasil dan analisa dari
hasil percobaan yang telah dilakukan.
5.1. Hasil Pengukuran (kuesioner)
Hasil pengukuran ini didapatkan dengan mencocokkan hasil
luaran sistem dengan kuesioner yang telah diisi. Kuesioner diisi oleh 4
(empat) orang dokter untuk mengetahui differential diagnose. Dokter
tersebut kemudian melakukan pengujian sistem dengan menggunakan
semua algoritma. Hasil luaran sistem dari setiap query dan model dicatat
untuk dicocokkan dengan kuesioner.
Dalam pengisian kuesioner dan pengujian sistem, terdapat 21
skenario query yang dilakukan. Contoh lembar kuesioner terlampir di
dalam dokumen ini. Daftar 21 query yang dilakukan dalam penelitian ini
adalah:
125
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
126
Tabel 5. 1 Daftar query
Q Gejala
1 Demam, Muntah setelah makan, Hidung tersumbat, Batuk kering,
Sesak napas, Napas cuping hidung, Denyut jantung cepat, Rinorea,
Mengi, Retraksi dinding dada,
2 Demam, Muntah setelah makan, Batuk terus – menerus, Sianosis, Sesak
napas, Ada riwayat infeksi saluran napas, Rinorea, Mengi
3 Batuk darah, Batuk kronis, Penurunan berat badan, Keringat malam (+),
Sesak napas, Sakit di dada, Pembesaran kelenjar getah bening leher,
Riwayat kontak penderita TB (+)
4 Sesak nafas, Nafas cuping hidung, Melibatkan otot leher, Indikasi
emosional tinggi, Mengi, Sianosis, Eksperium diperpanjang
5 Batuk kronis, Penurunan berat badan, Sesak napas, Dada sesak,
Retraksi dinding dada, Napas cuping hidung, Suara nafas menggesek,
Batuk darah, Sianosis
6 Batuk serak, Sesak napas, Dada sakit, Batuk khronis, Pekerjaan tukang
batu, Demam, Sakit kepala
7 Demam, Batuk berdahak, Sesak napas, Napas cepat, Mudah lelah,
Riwayat infeksi saluran nafas atas, Sakit kepala
8 Sesak nafas, Batuk berdahak, Eksperium diperpanjang, Mengi, Retraksi
dinding dada, Sianosis, Kumat kumatan
9 Batuk kronis, Sesak napas, Mengi, Tidak nafsu makan, Ada kontak
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
127
dengan asbes, Dada sakit
10 Demam, Batuk kronis, Bunyi nafas menggesek, Tidak selera makan,
Mudah lelah, sesak napas, Penurunan berat badan, Sakit di dada
11 Batuk kronis, Mudah lelah, Bernafas cepat, Penurunan berat badan,
Sakit di dada, Ada kontak dengan senyawa silikon
12 Batuk kronis, Bernapas cepat, Sesak napas, Warna biru pada kulit,
Sianosis, Penurunan berat badan, Postur leher buruk, Postur bahu
buruk, Ada bagian redup pada perkusi dada
13 Batuk kronis, Bernapas cepat, Mengi, sesak napas, Sianosis, Mudah
lelah, Penurunan berat badan
14 Demam, Batuk terus menerus, Batuk kronis, Batuk bercampur darah,
Sesak napas, Nyeri di dada, Bernapas cepat, Postur leher buruk
15 Batuk kronis, Dada sesak, Sesak napas, Bernapas cepat, Mengi,
Sianosis, Postur leher buruk, Postur bahu buruk, Napas cuping hidung
16 Batuk kering, Mudah lelah, Nyeri pada sendi, Berat badan turun, Ruam
kulit gatal, Pembengkakan pembuluh darah pada mata
17 Batuk kering, Mialgia, Rasa lemah pada tangan, Rasa lelah berlebihan,
Berat badan turun
18 Panas ngelemeng, Batuk kronis, Batuk berdahak dan bercampur darah,
Sesak napas, Nyeri dada, Badan lemah, Nafsu makan menurun,
Berkeringat pada malam hari, Ada kontak dengan penderita TB paru
BTA (+)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
128
19 Demam selama 2 hari, Panas nglemeng saat periksa, Denyut jantung
tidak normal (tinggi), Batuk kronis, Batuk berdahak, Sesak napas,
Nyeri di dada, Rasa lelah, Malaise, Penurunan berat badan
20 Batuk kronis, Bernapas cepat, Mengi, Sesak napas, Sianosis, Badan
lemah, Penurunan berat badan, Malaise, Pembesaran limfonodi leher
21 Demam, Kurang enak badan, Sesak napas, Badan lemah, Tidak nafsu
makan, Keringat berlebihan pada malam hari, Ada kontak dengan
penderita TB paru BTA (+)
Penggunaan tanda baca “,” pada tabel 5.1 hanya sebagai pemisah
gejala. Pada percobaannya, tanda baca “,” diganti dengan menekan tombol
“Enter”. Berikut akan dipaparkan mengenai rekapitulasi hasil kuesioner
yang didapatkan untuk masing – masing query. Tanda “*” menunjukkan
bahwa penyakit yang dipilih responden termasuk dalam differential
diagnose (dokumen relevan).
Tabel 5. 2 Rekap kemungkinan differential diagnose query 1
Nama Penyakit R1 R2 R3 R4
Asma * * *
Bronkiolitis * * * *
TBC * * * *
Tabel 5. 3 Rekap differential diagnose query 2
Nama Penyakit R1 R2 R3 R4
Asma * * *
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
129
Bronkiolitis * * * *
Fibrosis Paru *
TBC * * * *
Tabel 5. 4 Rekap differential diagnose query 3
Nama Penyakit R1 R2 R3 R4
Asbestosis *
Bronkiolitis * * *
Silikosis *
TBC * * * *
Tabel 5. 5 Rekap differential diagnose query 4
Nama Penyakit R1 R2 R3 R4
Asma * * * *
Bronkiolitis * * * *
Tabel 5. 6 Rekap differential diagnose query 5
Nama Penyakit R1 R2 R3 R4
Asbestosis * *
Displasia Bronkopulmoner * * * *
Fibrosis Paru * *
Silikosis * *
TBC * * * *
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
130
Tabel 5. 7 Rekap differential diagnose query 6
Nama Penyakit R1 R2 R3 R4
Asbestosis * * * *
Fibrosis Paru * * *
Silikosis * * * *
Tabel 5. 8 Rekap differential diagnose query 7
Nama Penyakit R1 R2 R3 R4
Asma * * * *
Bronkiolitis * * * *
TBC *
Tabel 5. 9 Rekap differential diagnose query 8
Nama Penyakit R1 R2 R3 R4
Asma * * * *
Tabel 5. 10 Rekap differential diagnose query 9
Nama Penyakit R1 R2 R3 R4
Asbestosis * * * *
Asma * *
Silikosis * * * *
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
131
Tabel 5. 11 Rekap differential diagnose query 10
Nama Penyakit R1 R2 R3 R4
Displasia Bronkopulmoner * * * *
Fibrosis Paru * * * *
TBC * * * *
Tabel 5. 12 Rekap differential diagnose query 11
Nama Penyakit R1 R2 R3 R4
Asbestosis * * * *
Displasia Bronkopulmoner * * * *
Silikosis * * * *
Tabel 5. 13 Rekap differential diagnose query 12
Nama Penyakit R1 R2 R3 R4
Asma * * * *
Displasia Bronkopulmoner * * * *
Fibrosis Paru * * * *
TBC * *
Tabel 5. 14 Rekap differential diagnose query 13
Nama Penyakit R1 R2 R3 R4
Asma * * * *
Displasia Bronkopulmoner *
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
132
Fibrosis Paru * * *
TBC *
Tabel 5. 15 Rekap differential diagnose query 14
Nama Penyakit R1 R2 R3 R4
Asma * * * *
Displasia Bronkopulmoner * * * *
TBC * * * *
Tabel 5. 16 Rekap differential diagnose query 15
Nama Penyakit R1 R2 R3 R4
Asma * * *
Displasia Bronkopulmoner * * * *
TBC * * *
Tabel 5. 17 Rekap differential diagnose query 16
Nama Penyakit R1 R2 R3 R4
Displasia Bronkopulmoner * * * *
Fibrosis Paru * * * *
Tabel 5. 18 Rekap differential diagnose query 17
Nama Penyakit R1 R2 R3 R4
Displasia Bronkopulmoner * * * *
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
133
Fibrosis Paru * * * *
Tabel 5. 19 Rekap differential diagnose query 18
Nama Penyakit R1 R2 R3 R4
TBC * * * *
Tabel 5. 20 Rekap differential diagnose query 19
Nama Penyakit R1 R2 R3 R4
Bronkiolitis * * * *
TBC * * * *
Tabel 5. 21 Rekap differential diagnose query 20
Nama Penyakit R1 R2 R3 R4
Asma * * *
Bronkiolitis * * *
TBC * * * *
Tabel 5. 22 Rekap differential diagnose query 21
Nama Penyakit R1 R2 R3 R4
Bronkiolitis * * * *
TBC * * * *
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
134
Selanjutnya untuk setiap responden pada masing – masing query
pengujian, akan dihitung nilai precision-recall. Berikut merupakan capture
– screen hasil pencarian untuk responden R1 pada query 1 pada semua
model adalah sebagi berikut:
Gambar 5. 1 Hasil pencarian PM query 1
Gambar 5. 2 Hasil pencarian VSM query 1
Gambar 5. 3 Hasil pencarian EBM query 1
Dari gambar 5.1, sistem merekomendasikan 6 penyakit pada PM,
7 penyakit pada EBM dan VSM untuk query yang diberikan. Menurut
responden R1, penyakit (dokumen) yang relevan terhadap query 1 adalah
bronkiolitis, asma, dan TBC. Dengan menggunakan data tersebut akan
dihitung nilai precision dan recall sebagai berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
135
Tabel 5. 23 Precision-Recall responden R1 pada query 1 (PM)
no Dok Recall Precision
1 Bronkiolitis 1/3=0,333 1/1=1
2 Asbestosis 1/3=0,333 1/2=0,5
3 Silikosis 1/3=0,333 1/3=0,333
4 Displasia Bronkopulmoner 1/3=0,333 1/4=0,25
5 Asma 2/3=0,667 2/5=0,4
6 TBC 3/3=1 3/6=0,5
7 Fibrosis Paru 3/3=1 4/7=0,429
Perhitungan interpolasi diambil dari nilai precision tertinggi dari
setiap titik recall yang didapat. Dengan demikian, batas maksimal
precision untuk setiap titik recall adalah:
Tabel 5. 24 Maksimal precision setiap titik recall R1 pada query 1 (PM)
Recall Precision
1.0 0,5
0.6 0,4
0.3 1
Perhitungan recall – precision juga dilakukan pada VSM untuk
query 1 pada responden R1.
Tabel 5. 25 Precision-Recall responden R1 pada query 1 (VSM)
no Dok Recall Precission
1 Bronkiolitis 1/3=0,333 1/1=1
2 Asma 2/3=0,667 2/2=1
3 Asbestosis 2/3=0,667 2/3=0,667
4 Silikosis 2/3=0,667 2/4=0,5
5 Fibrosis Paru 2/3=0,667 2/5=0,4
6 Displasia Bronkopulmoner 2/3=0,667 2/6=0,333
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
136
7 TBC 3/3=1 3/7=0,429
Batas maksimal precision untuk setiap titik recall pada VSM
adalah:
Tabel 5. 26 Maksimal precision setiap titik recall R1 pada query 1 (VSM)
Recall Precision
1.0 0, 0,429
0.6 1
0.3 1
Perhitungan recall – precision pada EBM untuk query 1 pada
responden R1 adalah sebagai berikut:
Tabel 5. 27 Precision-Recall responden R1 pada query 1 (EBM)
no Dok Recall Precission
1 Bronkiolitis 1/3=0,333 1/1=1
2 Asma 2/3=0,667 2/2=1
3 Asbestosis 2/3=0,667 2/3=0,667
4 Silikosis 2/3=0,667 2/4=0,5
5 Displasia Bronkopulmoner 2/3=0,667 2/5=0,4
6 Fibrosis Paru 2/3=0,667 2/6=0,333
7 TBC 3/3=1 3/7=0,429
Batas maksimal precision untuk setiap titik recall pada EBM
adalah:
Tabel 5. 28 Maksimal precision setiap titik recall R1 pada query 1 (EBM)
Recall Precision
1.0 0,429
0.6 1
0.3 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
137
Nilai recall menunjukkan kemampuan sistem menampilkan
seluruh dokumen yang relevan. Hasil perhitungan precision dan recall
untuk setiap responden dan query terlampir di dalam dokumen ini.
Kemudian dilakukan perhitungan interpolasi terhadap hasil
perhitungan precision dengan rumus:
𝑃𝑃�𝑑𝑑𝑖𝑖 � = max 𝑃𝑃(𝑑𝑑)
𝑑𝑑𝑖𝑖 ≤ 𝑑𝑑 ≤ 𝑑𝑑𝑖𝑖 + 1
𝑑𝑑𝑖𝑖 𝜖𝜖 {0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0}
𝑑𝑑0 = 0.0, 𝑑𝑑1 = 0.1, … … . . . 𝑑𝑑10 = 1.0
Aturan interpolasi adalah recall standar ke-i memiliki nilai
interpolated precision sebesar maksimum precision pada recall yang lebih
besar dari recall standar ke-i. Perhitungan akan dilakukan dari recall 1.0,
karena diambil nilai maksimal precision untuk nilai recall. Berikut
merupakan hasil perhitungan interpolasi pada query responden R1 pada
setiap model terpapar pada tabel 5.29 hingga tabel 5.31.
Tabel 5. 29 Perhitungan interpolasi responden R1 untuk query 1 (PM)
rj P(rj)
1 0,5
0,9 0,5
0,8 0,5
0,7 0,5
0,6 0,4
0,5 0,4
0,4 0,4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
138
0,3 1
0,2 1
0,1 1
0,0 1
Tabel 5. 30 Perhitungan interpolasi responden R1 untuk query 1 (VSM)
rj P(rj)
1 0,42857
0,9 0,42857
0,8 0,42857
0,7 0,42857
0,6 1
0,5 1
0,4 1
0,3 1
0,2 1
0,1 1
0,0 1
Tabel 5. 31 Perhitungan interpolasi responden R1 untuk query 1 (EBM)
rj P(rj)
1 0,5
0,9 0,5
0,8 0,5
0,7 0,5
0,6 1
0,5 1
0,4 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
139
0,3 1
0,2 1
0,1 1
0,0 1
Hasil lengkap untuk setiap query dan responden terlampir pada
dokumen ini. Berdasarkan pada tabel 5.29, 5.30 dan 5.31, kemudian dibuat
grafik interpolasi. Grafik 5.1 hingga grafik 5.3 merupakan grafik
interpolasi dari semua perhitungan recall-precision tiap algoritma.
Grafik 5. 1 Grafik interpolasi responden R1 untuk query 1 (PM)
Grafik 5. 2 Grafik interpolasi responden R1 untuk query 1 (VSM)
1 1 1 1
0,4
0,4
0,4
0,5
0,5
0,5
0,5
00,10,20,30,40,50,60,70,80,9
1
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Optimal
PM
recall
precision
1 1 1 1 1 1 1
0,428571429
0,428571429
0,428571429
0,428571429
00,10,20,30,40,50,60,70,80,9
1
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
VSM
Optimal
recall
precision
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
140
Grafik 5. 3 Grafik interpolasi responden R1 untuk query 1 (EBM)
Grafik interpolasi PM menunjukkan terdapat 4 (tiga) nilai yang
sejajar dengan grafik optimal (1.0). Hal ini disebabkan karena PM
menempatkan bronkiolitis, asma, dan TBC pada urutan ke 1, 5, dan 6
dengan jumlah total hasil pencarian adalah 7 (tujuh) dokumen. Dokumen
yang dianggap relevan oleh responden R1 yang memiliki precision tinggi
adalah bronkiolitis. Grafik interpolasi PM mengalami penurunan precision
pada recall 0.4 sebesar 60% terhadap nilai optimal. Grafik interpolasi PM
juga memperlihatkan adanya kenaikan precision pada recall 0.7 sebesar
25% dari nilai precision pada recall ke 0.6. Penurunan nilai precision
terhadap nilai optimal ini disebabkan karena selisih urutan antara
bronkiolitis dan asma besar. Sedangkan, kenaikan nilai precision ini
disebabkan urutan asma (0.6) dan TBC (1.0) tidak terpaut terlalu jauh.
Berbeda dengan PM, grafik interpolasi VSM dan EBM justru
memperlihatkan adanya penurunan precision. VSM dan EBM sama –
sama mengalami 1 (satu) kali penurunan pada recall 0.7. VSM mengalami
1 1 1 1 1 1 1
0,428571429
0,428571429
0,428571429
0,42857142900,10,20,30,40,50,60,70,80,9
1
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
EBM
Optimal
recall
precision
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
141
penurunan sebesar 57%, sedangkan EBM mengalami penurunan sebesar
50% terhadap nilai optimal. Penurunan ini disebabkan peringkat penyakit
(dokumen) asma yang terpaut jauh dari penyakit (dokumen) TBC.
Pemilihan TBC sebagai penyakit (dokumen) relevan oleh responden R1
sangat mempengaruhi nilai precision. Penyakit TBC berada pada peringkat
6 (enam) pada PM, 7 (tujuh) pada VSM dan 6 (enam) pada EBM.
Jika dilihat dari data gejala umum penyakit TBC, query 1 tidak
relevan untuk penyakit TBC. Istilah yang muncul dalam dokumen TBC
hanyalah “batuk”, “dada”, “makan”, “napas” dan “sesak”, sehingga sesuai
dengan perhitungan kemiripan dokumen TBC mempunyai bobot rendah
dan mempunyai urutan rendah. Responden R1 mengatakan memasukkan
TBC ke dalam differential diagnose karena menurut R1 gejala – gejala
pada query dapat berkembang menjadi sebuah gejala TBC. Dapat
dikatakan kompetensi responden dalam memprediksi perkembangan gejala
sangat berpengaruh pada penentuan penyakit (dokumen) yang dianggap
relevan pada differential diagnose.
5.2. Analisa Unjuk Kerja Model
Bagian ini akan memaparkan mengenai perhitungan unjuk kerja
dan perbandingan lama waktu pencarian untuk PM, VSM, dan EBM pada
seluruh responden dan query. Perhitungan unjuk kerja dilakukan dengan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
142
menghitung penurunan nilai precision untuk setiap data recall terhadap
nilai optimal, nilai precision yang bernilai 1.0. Setiap query dilakukan oleh
4 (empat) responden R1, R2, R3, dan R4, sehingga diperlukan perhitungan
rerata dari perhitungan interpolasi dari setiap responden untuk menganalisa
unjuk kerja model. Semakin mendekati optimal, maka unjuk kerja model
semakin baik. Pemilihan penyakit (dokumen) yang dianggap relevan oleh
responden sangat berpengaruh dalam analisa unjuk kerja model. Berikut
adalah perhitungan rerata interpolasi untuk setiap model:
Tabel 5. 32 Perhitungan rerata interpolasi (PM)
rj P(r1) P(r2) P(r3) P(r4) P(r5) ... P(r21) Average
0,0 1 1 1 1 0,6667 1 0,74306
0,1 1 1 1 1 0,6667 1 0,74306
0,2 1 1 1 1 0,6667 1 0,73710
0,3 1 1 1 1 0,6667 1 0,73710
0,4 0,55 0,5833 1 1 0,75 1 0,67917
0,5 0,55 0,5833 1 1 0,75 1 0,67917
0,6 0,3833 0,5833 0,5 1 0,75 1 0,56383
0,7 0,4583 0,4821 0,5 0,6667 0,8 1 0,51791
0,8 0,4583 0,4821 0,5 0,6667 0,8 1 0,51865
0,9 0,4583 0,4821 0,5 0,6667 0,8 1 0,51865
1 0,4583 0,4821 0,5 0,6667 0,8 1 0,51865
Tabel 5. 33 Perhitungan rerata interpolasi (VSM)
rj P(r1) P(r2) P(r3) P(r4) P(r5) ... P(r21) Average
0,0 1 1 1 1 0,3333 1 0,81448
0,1 1 1 1 1 0,3333 1 0,81448
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
143
0,2 1 1 1 1 0,3333 1 0,81448
0,3 1 1 1 1 0,4167 1 0,82242
0,4 1 0,8333 1 1 0,4167 1 0,80258
0,5 1 0,8333 1 1 0,4167 1 0,80258
0,6 0,8214 0,8333 0,5 0,6667 0,4667 0,5 0,65929
0,7 0,3929 0,375 0,5 0,6667 0,5143 0,5 0,53350
0,8 0,3929 0,375 0,5 0,6667 0,5 0,5 0,53373
0,9 0,3929 0,375 0,5 0,6667 0,5 0,5 0,53373
1 0,3929 0,375 0,5 0,6667 0,5 0,5 0,53373
Tabel 5. 34 Perhitungan rerata interpolasi (EBM)
rj P(r1) P(r2) P(r3) P(r4) P(r5) ... P(r21) Average
0,0 1 1 1 1 0,3333 1 0,87004
0,1 1 1 1 1 0,3333 1 0,87004
0,2 1 1 1 1 0,3333 1 0,87004
0,3 1 1 1 1 0,3667 1 0,87321
0,4 1 0,8333 1 1 0,45 1 0,86131
0,5 1 0,8333 1 1 0,45 1 0,86131
0,6 0,8214 0,7083 0,5 1 0,5 1 0,71565
0,7 0,3929 0,375 0,5 1 0,4643 1 0,58554
0,8 0,3929 0,375 0,5 1 0,5 1 0,59053
0,9 0,3929 0,375 0,5 1 0,5 1 0,59053
1 0,3929 0,375 0,5 1 0,5 1 0,59053
Dari perhitungan rerata pada tabel 5.32, 5.33, dan 5.34, kemudian
digambarkan ke dalam grafik interpolasi untuk melihat grafik interpolasi
model.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
144
Grafik 5. 4 Grafik unjuk kerja PM pada pencarian query
Grafik interpolasi PM menunjukkan penurunan nilai precision
pada recall ke 0.0 sebesar 0,256944444444444 terhadap nilai optimal.
Recall ke 0.2 dan 0.3 mengalami penurunan nilai precision sebesar
0,00595238095238093 dari recall ke 0.1. Penurunan precision kembali
terjadi pada recall ke 0.4 dan 0.5 sebesar 0,057936507936508 dari recall
0.2 dan 0.3. Penurunan precision ketiga sebesar 0,115334467120181
terjadi pada recall ke 0.6 dari recall ke 0.4, dan 0.5. Penurunan precision
kembali terjadi pada recall ke 0.7 sebesar 0,0459183673469388 dari recall
ke 0.6. Tidak hanya mengalami penurunan, PM juga mengalami kenaikan
nilai precision untuk recall ke 0.8, 0.9 dan 1.0 sebesar
0,000736961451247242 dari recall ke 0.6. Dengan perhitungan nilai
penurunan maka dapat dibuat daftar penurunan nilai precision pada PM
terhadap optimal (1.0).
0,743055556
0,737103175
0,737103175
0,679166667
0,679166667
0,5638322
0,517913832
0,518650794
0,518650794
0,518650794
00,10,20,30,40,50,60,70,80,9
1
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
PM
Optimal
Precision
Recall
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
145
Tabel 5. 35 Daftar penurunan nilai precision PM
rj PM Penurunan 0,0 0,7430556 0,2569444 0,1 0,7430556 0,2569444 0,2 0,7371032 0,2628968 0,3 0,7371032 0,2628968 0,4 0,6791667 0,3208333 0,5 0,6791667 0,3208333 0,6 0,5638322 0,4361678 0,7 0,5179138 0,4820862 0,8 0,5186508 0,4813492 0,9 0,5186508 0,4813492
1 0,5186508 0,4813492 Rerata Penurunan 0,3676046
Selanjutnya, perhitungan pada VSM dilakukan dengan cara yang
sama pada perhitungan pada PM. Berikut grafik interpolasi pada VSM.
Grafik 5. 5 Grafik unjuk kerja VSM pada pencarian query
Interpolasi VSM menunjukkan adanya penurunan nilai precision.
Nilai precision pada recall ke 0.0 mengalami penurunan hingga
0,185515873015873 terhadap nilai optimal. Pada recall ke 0.3, precision
mengalami kenaikan nilai sebesar 0,00793650793650813 dari recall ke 0.1
0,814484127
0,814484127
0,822420635
0,802579365
0,802579365
0,659297052
0,533503401
0,533730159
0,533730159
0,533730159
00,10,20,30,40,50,60,70,80,9
1
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
VSM
Optimal
Precision
Recall
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
146
dan 0.2. Recall ke 0.4 dan 0.5 mengalami penurunan sebesar
0,01984126984127 dari recall ke 0.3. Penurunan precision kedua terjadi
pada recall ke 0.6 dengan selisih yang cukup besar, yaitu sebesar
0,14328231292517 dari recall ke 0.5. Penurunan terjadi kembali pada
recall ke 0.7 sebesar 0,125793650793651 dari recall ke 0.6. Recall ke 0.8,
0.9, dan 1.0 mengalami sedikit kenaikan sebesar 0,000226757369614528
dari recall ke 0.7. Dengan perhitungan nilai penurunan precision maka
dapat dibuat daftar penurunan nilai precision pada VSM terhadap optimal.
Tabel 5. 36 Daftar penurunan nilai precision VSM
rj VSM Penurunan 0,0 0,8144841 0,1855159 0,1 0,8144841 0,1855159 0,2 0,8144841 0,1855159 0,3 0,8224206 0,1775794 0,4 0,8025794 0,1974206 0,5 0,8025794 0,1974206 0,6 0,6592971 0,3407029 0,7 0,5335034 0,4664966 0,8 0,5337302 0,4662698 0,9 0,5337302 0,4662698
1 0,5337302 0,4662698 Rerata Penurunan 0,3031798
Jika dibandingkan dengan PM, rerata nilai penurunan precision
terhadap nilai optimal VSM lebih sedikit. VSM lebih unggul sebesar
0,0644248608534321. Tetapi ini belum dapat dijadikan ukuran yang
terbaik karena belum adanya perhitungan pada EBM. Perhitungan
berikutnya merupakan perhitungan pada EBM.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
147
Grafik 5. 6 Grafik unjuk kerja EBM pada pencarian query
Interpolasi EBM menunjukkan adanya penurunan nilai precision.
Nilai precision pada recall ke 0.0 mengalami penurunan hingga
0,129960317460317 terhadap nilai optimal. Pada recall ke 0.3, precision
mengalami kenaikan nilai precision sebesar 0,00317460317460316 dari
recall ke 0.1 dan 0.2. Recall ke 0.4 dan 0.5 mengalami penurunan sebesar
0,011904761904762 dari recall ke 0.3. Sedangkan, untuk recall ke 0.6
mengalami penurunan precision kembali sebesar 0,145663265306122 dari
recall ke 0.4 dan 0.5. Penurunan sebesar 0,130102040816327 terjadi pada
recall ke 0.7 dari recall ke 0.6. Recall ke 0.8 hingga 1.0 mengalami
kenaikan nilai precision sebesar 0,00498866213151927 dari recall ke 0.7.
Dengan perhitungan nilai penurunan precision maka dapat dibuat daftar
penurunan nilai precision pada EBM terhadap optimal.
0,885912698
0,885912698
0,870039683
0,811309524
0,811309524
0,641723356
0,538095238
0,542063492
0,542063492
0,542063492
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
EBM
Optimal
Recall
Precision
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
148
Tabel 5. 37 Daftar penurunan nilai precision EBM
rj EBM Penurunan 0,0 0,8859127 0,1140873 0,1 0,8859127 0,1140873 0,2 0,8859127 0,1140873 0,3 0,8700397 0,1299603 0,4 0,8113095 0,1886905 0,5 0,8113095 0,1886905 0,6 0,6417234 0,3582766 0,7 0,5380952 0,4619048 0,8 0,5420635 0,4579365 0,9 0,5420635 0,4579365
1 0,5420635 0,4579365 Rerata Penurunan 0,2473871
Untuk setiap rerata model, akan dihitung kembali rerata
keseluruhan model. Dengan perhitungan tersebut, nilai penurunan
precision rerata setiap model terhadap nilai optimal dapat dihitung.
Tabel 5. 38 Perhitungan rerata interpolasi seluruh model beserta nilai
penurunan terhadap optimal
rj Rerata
Penurunan Seluruh Model
0,1 0,8144841 0,1855159 0,2 0,8125 0,1875 0,3 0,8098545 0,1901455 0,4 0,7643519 0,2356481 0,5 0,7643519 0,2356481 0,6 0,6216175 0,3783825 0,7 0,5298375 0,4701625 0,8 0,5314815 0,4685185 0,9 0,5314815 0,4685185
1 0,5314815 0,4685185 Rerata Penurunan 0,3288558
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
149
Perhitungan rerata keseluruhan model, kemudian dirubah ke
dalam bentuk grafik bersama rerata setiap model untuk membantu dalam
membandingkan nilai interpolasi model. Perbandingan ini berpengaruh
dalam pemilihan model terbaik yang kemudian akan digunakan menjadi
default model. Berikut grafik dari setiap model.
Grafik 5. 7 Grafik interpolasi seluruh model
Dari ketiga model yang digunakan, tidak ada yang menyinggung
garis optimal, atau dapat dikatan tidak ada nilai precision 1.0 pada recall
0.0 hingga 1.0. Berdasarkan pada grafik 5.7, dapat dilihat PM
menghasilkan nilai interpolasi paling rendah dan berada di bawah rata –
rata interpolasi. VSM dan EBM berada di atas rata – rata interpolasi, tetapi
EBM yang paling mendekati titik optimal untuk recall ke 0.0 hingga 0.3.
Nilai precision tertinggi terdapat pada interpolasi EBM dengan nilai
0,870039682539683. Nilai precision tertinggi tersebut berada pada recall
ke 0.0 hingga 0.3. Untuk nilai precision terendah berada pada interpolasi
00,10,20,30,40,50,60,70,80,9
1
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
InterpolasiEBM
PM
VSM
Average ModelOptimal
recall
Precision
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
150
PM dengan nilai 0,517913832199547. Nilai precision terendah ini berada
pada recall ke 0.7.
Nilai penurunan precision PM lebih tinggi jika dibandingkan
dengan rerata interpolasi seluruh model. Selisih nilai penurunan precision
PM dengan rerata interpolasi seluruh model mencapai
0,0615474472617329 lebih besar dari rerata interpolasi seluruh model.
Untuk VSM mempunyai nilai 0,00287741359169918 lebih kecil dari nilai
penurunan pada rerata interpolasi seluruh model. Nilai penurunan
precision pada EBM mempunyai selisih nilai 0,0586700336700336 lebih
kecil dari nilai penurunan pada rerata interpolasi seluruh model. Tabel 5.39
adalah pemaparan selisih rerata penurunan terhadap nilai optimal dari
seluruh algoritma dan rerata dari keseluruhan algoritma untuk setiap titik
recall.
Tabel 5. 39 Tabel perbandingan nilai penurunan precision seluruh model
rj PM VSM EBM SEMUA 0 0,2569444 0,1855159 0,1299603 0,1908069
0,1 0,2569444 0,1855159 0,1299603 0,1908069 0,2 0,2628968 0,1855159 0,1299603 0,192791 0,3 0,2628968 0,1775794 0,1267857 0,1890873 0,4 0,3208333 0,1974206 0,1386905 0,2189815 0,5 0,3208333 0,1974206 0,1386905 0,2189815 0,6 0,4361678 0,3407029 0,2843537 0,3537415 0,7 0,4820862 0,4664966 0,4144558 0,4543462 0,8 0,4813492 0,4662698 0,4094671 0,4523621 0,9 0,4813492 0,4662698 0,4094671 0,4523621 1 0,4813492 0,4662698 0,4094671 0,4523621
Rerata Penurunan 0,3676046 0,3031798 0,2473871 0,3060572 Selisih -0,061547 0,0028774 0,05867
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
151
Kolom selisih pada tabel 5.39 merupakan jarak atau selisih antara
rerata penurunan tiap model dengan rerata penurunan dengan perhitungan
rerata seluruh model. Dari tabel 5.39 dapat dilihat untuk recall ke 0.1
hingga 0.5, EBM mempunyai nilai penurunan precision yang paling kecil.
Dengan demikian untuk recall ke 0.0 hingga 0.5, EBM mempunyai nilai
precision yang paling mendekati optimal. Pada recall ke 0.6 VSM
mempunyai nilai penurunan terkecil, sehingga dapat dikatakan VSM
mempunyai nilai paling mendekati optimal pada recall ke 0.6. Untuk
recall ke 0.7 hingga ke 1.0, EBM mempunyai nilai penurunan precision
paling kecil diantara seluruh model. EBM mempunyai rata – rata
penurunan nilai precision terhadap nilai optimal yang terkecil diantara
semua model.
5.3. Perbandingan Lama Waktu Pencarian
Perbandingan lama waktu pencarian dilakukan untuk melihat
kecepatan pencarian. Lama waktu pencarian juga dipengaruhi oleh jumlah
dokumen dalam koleksi. Perbandingan lama waktu pencarian dilakukan
dengan membandingkan lama waktu pencarian dari masing – masing
metode. Pada penelitian ini, jumlah dokumen yang digunakan hanyalah 7
dokumen pendek. Hal ini menyebabkan lama waktu pencarian menjadi
cepat. Perhitungan lama waktu dicatat dalam satuan detik. Setiap query
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
152
akan dihitung rata – rata waktu pencarian untuk semua responden. Dengan
demikian, dapat dibandingkan lama waktu pencarian untuk setiap model
dengan membandingkan rata – rata waktu yang digunakan untuk
melakukan pencarian.
Tabel 5. 40 Daftar waktu pencarian (PM)
Waktu Pencarian (detik)
R1 R2 R3 R4 Rata - rata Query 1 0,234 0,171 0,172 0,125 0,1755 Query 2 0,14 0,14 0,156 0,14 0,144 Query 3 0,187 0,202 0,156 0,219 0,191 Query 4 0,093 0,125 0,125 0,125 0,117 Query 5 0,171 0,156 0,172 0,124 0,15575 Query 6 0,078 0,094 0,109 0,124 0,10125 Query 7 0,125 0,109 0,125 0,078 0,10925 Query 8 0,11 0,109 0,109 0,109 0,10925 Query 9 0,078 0,093 0,109 0,093 0,09325 Query 10 0,109 0,141 0,14 0,125 0,12875 Query 11 0,11 0,11 0,094 0,109 0,10575 Query 12 0,172 0,11 0,124 0,172 0,1445 Query 13 0,094 0,094 0,093 0,093 0,0935 Query 14 0,125 0,14 0,14 0,125 0,1325 Query 15 0,11 0,094 0,125 0,125 0,1135 Query 16 0,124 0,125 0,125 0,078 0,113 Query 17 0,078 0,062 0,094 0,093 0,08175 Query 18 0,187 0,203 0,203 0,187 0,195 Query 19 0,14 0,187 0,172 0,172 0,16775 Query 20 0,109 0,124 0,124 0,125 0,1205 Query 21 0,14 0,141 0,156 0,156 0,14825
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
153
Tabel 5. 41 Daftar waktu pencarian (VSM)
Waktu Pencarian (detik)
R1 R2 R3 R4 Rata - rata Query 1 0,14 0,109 0,078 0,109 0,109 Query 2 0,078 0,078 0,078 0,063 0,07425 Query 3 0,109 0,125 0,125 0,109 0,117 Query 4 0,062 0,062 0,062 0,062 0,062 Query 5 0,094 0,094 0,094 0,094 0,094 Query 6 0,062 0,047 0,063 0,062 0,0585 Query 7 0,063 0,063 0,062 0,062 0,0625 Query 8 0,047 0,062 0,062 0,062 0,05825 Query 9 0,063 0,062 0,046 0,046 0,05425 Query 10 0,047 0,078 0,078 0,078 0,07025 Query 11 0,062 0,078 0,062 0,063 0,06625 Query 12 0,094 0,109 0,094 0,078 0,09375 Query 13 0,047 0,047 0,046 0,063 0,05075 Query 14 0,062 0,063 0,078 0,078 0,07025 Query 15 0,078 0,062 0,078 0,078 0,074 Query 16 0,062 0,078 0,062 0,063 0,06625 Query 17 0,046 0,047 0,047 0,047 0,04675 Query 18 0,093 0,109 0,109 0,11 0,10525 Query 19 0,093 0,093 0,093 0,078 0,08925 Query 20 0,062 0,063 0,062 0,063 0,0625 Query 21 0,078 0,078 0,094 0,078 0,082
Tabel 5. 42 Daftar waktu pencarian (EBM)
Waktu Pencarian (detik)
R1 R2 R3 R4 Rata - rata Query 1 0,218 0,156 0,218 0,125 0,17925 Query 2 0,125 0,125 0,125 0,156 0,13275 Query 3 0,156 0,172 0,156 0,156 0,16 Query 4 0,094 0,125 0,094 0,094 0,10175 Query 5 0,125 0,156 0,125 0,125 0,13275 Query 6 0,078 0,125 0,078 0,078 0,08975 Query 7 0,094 0,14 0,094 0,094 0,1055 Query 8 0,078 0,093 0,078 0,078 0,08175 Query 9 0,078 0,078 0,078 0,078 0,078
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
154
Query 10 0,078 0,094 0,094 0,078 0,086 Query 11 0,078 0,109 0,109 0,11 0,1015 Query 12 0,125 0,156 0,156 0,141 0,1445 Query 13 0,062 0,094 0,094 0,093 0,08575 Query 14 0,109 0,125 0,125 0,125 0,121 Query 15 0,094 0,14 0,14 0,141 0,12875 Query 16 0,096 0,125 0,125 0,125 0,11775 Query 17 0,065 0,078 0,078 0,078 0,07475 Query 18 0,281 0,203 0,203 0,203 0,2225 Query 19 0,109 0,172 0,172 0,172 0,15625 Query 20 0,078 0,109 0,109 0,125 0,10525 Query 21 0,094 0,14 0,14 0,156 0,1325
Dari tabel 5.40, 5.41, dan 5.42, untuk hasil perhitungan rata – rata
setiap model dapat disatukan menjadi sebuah tabel perbandingan waktu
pencarian. Berikut merupakan tabel perbandingan waktu:
Tabel 5. 43 Tabel perbandingan waktu pencarian
Waktu Pencarian (detik)
PM VSM EBM Query 1 0,1755 0,109 0,17925 Query 2 0,144 0,07425 0,13275 Query 3 0,191 0,117 0,16 Query 4 0,117 0,062 0,10175 Query 5 0,15575 0,094 0,13275 Query 6 0,10125 0,0585 0,08975 Query 7 0,10925 0,0625 0,1055 Query 8 0,10925 0,05825 0,08175 Query 9 0,09325 0,05425 0,078 Query 10 0,12875 0,07025 0,086 Query 11 0,10575 0,06625 0,1015 Query 12 0,1445 0,09375 0,1445 Query 13 0,0935 0,05075 0,08575 Query 14 0,1325 0,07025 0,121 Query 15 0,1135 0,074 0,12875 Query 16 0,113 0,06625 0,11775
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
155
Query 17 0,08175 0,04675 0,07475 Query 18 0,195 0,10525 0,2225 Query 19 0,16775 0,08925 0,15625 Query 20 0,1205 0,0625 0,10525 Query 21 0,14825 0,082 0,1325 Rata - rata 0,13052 0,07462 0,12086
Dari tabel 5.43, dapat dilihat VSM mempunyai waktu pencarian
yang paling cepat. Rata – rata waktu pencarian menggunakan VSM
sebesar 0,07462 detik. Dari rata – rata waktu pencarian, PM mempunyai
rata – rata waktu pencarian terlama sebesar 0,13052 detik. Selisih rata –
rata waktu pencarian antara VSM dan EBM adalah 0,046238 detik,
sedangkan selisih rata- rata waktu pencarian antara VSM dan PM adalah
0,055905 detik. Selisih rata – rata waktu pencarian PM dan EBM sebesar
0,009667 detik. Lama waktu pencarian PM dipengaruhi oleh proses
sebelum menghitung kemiripan dokumen dan query. PM harus mencari
dokumen yang dapat menjadi relevan set.
5.4. Perhitungan Akurasi Differential Diagnose Sistem
Ketepatan (akurasi) akan dihitung berdasarkan hasil luaran urutan
teratas pada sistem pada pengujian. Hasil ini kemudian dicocokkan dengan
penyakit yang diderita. Jika hasil dan penyakit tercatat bernilai sama, maka
diberikan hasil dianggap benar, tetapi jika hasil dan penyakit bernilai tidak
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
156
sama maka hasil dianggap salah. Sebagai contoh, sistem mengeluarkan
urutan “Asbestosis”, “Silikosis”, dan “TBC”, sedangkan penyakit yang
diderita adalah “Asbestosis”. Dengan demikian pada pengujian tersebut
nilai akurasi model adalah 1/1 (100%). Persamaan untuk menghitung
akurasi adalah sebagai berikut:
𝑖𝑖𝑑𝑑𝑚𝑚𝑑𝑑𝑖𝑖𝑖𝑖𝑖𝑖 = 𝑖𝑖𝑚𝑚𝑚𝑚𝑙𝑙𝑖𝑖ℎ 𝑑𝑑𝑑𝑑𝑖𝑖𝑖𝑖𝑁𝑁𝑖𝑖𝑖𝑖𝑚𝑚 ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑙𝑙 𝑖𝑖𝑖𝑖𝑚𝑚𝑖𝑖
𝑙𝑙𝑑𝑑𝑙𝑙𝑖𝑖𝑙𝑙 𝑑𝑑𝑑𝑑𝑖𝑖𝑖𝑖𝑁𝑁𝑖𝑖𝑖𝑖𝑚𝑚
Menurut Kepala Puskesmas Jebed, dr. P. Setiawan R, diagnose
penyakit untuk setiap query adalah sebagai berikut:
Tabel 5. 44 Diagnose penyakit untuk setiap query
Q Diagnose 1 Bronkiolitis 2 Bronkiolitis 3 TBC 4 Asma 5 Displasia bronkopulmoner 6 Asbestosis 7 Bronkiolitis 8 Asma 9 Asbestosis 10 Fibrosis Paru 11 Silikosis 12 Displasia bronkopulmoner 13 Asma 14 Displasia bronkopulmoner 15 Displasia bronkopulmoner 16 Fibrosis Paru 17 Fibrosis Paru 18 TBC 19 TBC 20 TBC 21 TBC
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
157
Untuk setiap model, total kejadian adalah 21. Total kejadian ini
merupakan jumlah query yang digunakan dalam penelitian. Berikut adalah
perhitungan setiap query pada setiap model:
Tabel 5. 45 Perhitungan akurasi model
Q Diagnose PM Teratas VSM Teratas EBM Teratas 1 Bronkiolitis Bronkiolitis Bronkiolitis Bronkiolitis 2 Bronkiolitis Bronkiolitis Bronkiolitis Bronkiolitis 3 TBC TBC TBC TBC 4 Asma Asma Asma Asma 5 Displasia
bronkopulmoner Silikosis Bronkiolitis Bronkiolitis
6 Asbestosis Bronkiolitis Bronkiolitis Bronkiolitis 7 Bronkiolitis Silikosis Silikosis Bronkiolitis 8 Asma Asma Bronkiolitis Asma 9 Asbestosis Bronkiolitis Asbestosis Asbestosis 10 Fibrosis Paru TBC Asbestosis Asbestosis 11 Silikosis TBC Silikosis Silikosis 12 Displasia
bronkopulmoner Fibrosis Paru Displasia
Bronkopulmoner Displasia Bronkopulmoner
13 Asma Fibrosis Paru Silikosis Asbestosis 14 Displasia
bronkopulmoner Silikosis Displasia
Bronkopulmoner Displasia Bronkopulmoner
15 Displasia bronkopulmoner
Displasia Bronkopulmoner
Displasia Bronkopulmoner
Displasia Bronkopulmoner
16 Fibrosis Paru Fibrosis Paru Fibrosis Paru Fibrosis Paru 17 Fibrosis Paru Fibrosis Paru Fibrosis Paru Fibrosis Paru 18 TBC Asbestosis TBC TBC 19 TBC Asbestosis TBC TBC 20 TBC Asbestosis TBC TBC 21 TBC TBC TBC TBC Akurasi 43% 71% 81%
Dari tabel 5.42 terlihat akurasi terendah pada algoritma PM,
sedangkan akurasi tertinggi terjadi pada algoritma EBM. PM
menghasilkan akurasi sebesar 43% dari 21 query pengujian. VSM
menghasilkan 71%, sedangkan EBM menghasilkan 81%.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB VI
KESIMPULAN DAN SARAN
6.1. Kesimpulan
Melalui penelitian yang telah dilakukan, dapat disimpulkan bahwa:
1. Sistem telah berhasil dibangun dengan baik menggunakan metode
probabilistic model (PM) , vector space model (VSM), extended
boolean model (EBM) pada dokumen pendek. Sistem dapat
melakukan differental diagnose berdasarkan query gejala yang
dimasukkan pengguna dan mengurutkannya berdasarkan bobot
tertinggi.
2. Berdasar pada tabel 6.1, algoritma EBM mempunyai rerata
penurunan nilai precision terhadap nilai optimal untuk setiap posisi
recall yang terkecil. Dengan demikian, EBM mempunyai unjuk
kerja paling tinggi diantara ketiga model.
Tabel 6. 1 Perbandingan rerata penurunan interpolasi model mengacu
pada tabel 5.39
PM VSM EBM
Rerata penurunan precision
terhadap optimal (1.0)
0,3676046 0,3031798 0,2473871
158
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
159
3. Berdasarkan tabel 6.2, pada kasus uji algoritma IR pada “Sistem
Rekomendasi Differential Diagnose” yang menggunakan dokumen
pendek, algoritma EBM mempunyai 2 (dua) keunggulan yaitu pada
nilai rerata penurunan precision terhadap optimal dan akurasi.
Dengan demikian, EBM merupakan algoritma yang terbaik untuk
diterapkan pada “Sistem Rekomendasi Differential Diagnose”.
Tabel 6. 2 Perbandingan algoritma mengacu pada tabel 5.39, 5.43,
dan 5.45
Pembanding PM VSM EBM
Rerata penurunan precision
terhadap optimal (1.0)
0,3676046 0,3031798 0,2473871
Waktu pencarian 0,13052s 0,07462s 0,12086s
Akurasi 43% 71% 81%
6.2. Saran
1. Sistem dapat dikembangkan lebih lanjut pada jenis penyakit lain.
2. Perhitungan PM dapat dikembangkan kembali dengan algoritma
yang mendukung, seperti BM25.
3. Sistem dapat dikembangkan lebih lanjut dalam pemberian saran dari
hasil differential diagnose menggunakan pendekatan ilmu SPPK.
4. Proses stemming dapat dikembangkan lagi dalam penggunaan istilah
kedokteran.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR PUSTAKA
_________.Kamus Kesehatan – Definisi: Diagnosis Banding.
http://kamuskesehatan.com/arti/diagnosis-banding/. diakses terakhir
tanggal 16 November 2012
______________. 2003. Penyakit Paru Obstruktif Kronik (PPOK): Pedoman
Diagnosis & Penatalaksanaan di Indonesia. Perhimpunan Dokter Paru
Indonesia.
______________.2000. Profil Kesehatan Masyarakat Indonesia. Departemen
Kesehatan Republik Indonesia.Jakarta
______________.2007.Pedoman Nasional Penanggulangan Penyakit Paru –
Paru. Departemen Kesehatan Republik Indonesia.Jakarta
Agusta, Ledy. 2009. Perbandingan Algoritma Stemming Porter Dengan
Algoritma Nazief & Adriani Untuk Stemming Dokumen Teks Bahasa
Indonesia. Konferensi Nasional Sistem dan Informatika 2009: Bali, 14
November 2009.
Baeza-Yates & Ribeiro-Neto, 1999: Baeza-Yates & Ribeiro-Neto, 1999,
Modern Information Retrieval, Harlow, Addison-Wesley.
Baeza-Yates & Ribeiro-Neto, 2011: Baeza-Yates & Ribeiro-Neto, 2011,
Modern Information Retrieval 2nd Edition, Harlow, Addison-Wesley.
Tala, Fadillah Z., A Study of Stemming Effect on Information Retrieval in
Bahasa Indonesia. Netherland. Universiteit van Amsterdam.
http://ucrel.lancs.ac.uk/acl/P/P00/P00-1075.pdf, diakses terakhir tanggal
15 November 2012.
Ingwersen, P. 1992. Information Retrieval Interaction. London. Taylor
Graham Publishing. London.
Lee D.L. (1997). Document Ranking and the Vector-Space Model. IEEE
March, http://www.cs.ust.hk/~dlee/Papers/ir/ieee-sw-rank.pdf, diakses
terakhir 20 November 2012
160
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
161
Manning, Christopher D., Raghavan, Prabhakar, Schütze, Hinrich. 2009. An
Introduction to information retrieval. Online edition (c)2009 Cambridge
UP, Cambridge University Press Cambridge, England,
http://www.informationretrieval.org/ diakses terakhir 20 November 2011
van Rijsbergen, C. J. 1979. Information Retrieval 2nd edition, Butterworths,
London.
Salton, G. 1989. Automatic Text Processing: The Transformation,Analysis ,
and Retrieval of Information by Computer.Addison-Wesley Publishing
Company, Inc. United Sates of America.
Savoy, 1993: Savoy, J. A Learning Scheme for Information Retrieval in
Hypertext. Information Processing &Management, 30(4), 515-533. 1993.
Ramadhany, Taufik. 2008. Laporan Tugas Akhir Terpublikasi: Implementasi
Kombinasi Model Ruang Vektor dan Model Probabilistik Pada Sistem
Temu Balik Informasi. ITB. Bandung
Wibowo, Ari. 2011. Pengujian Kerelevanan Sistem Temu Kembali Informasi,
http://p2m.polibatam.ac.id/wp-content/uploads/2011/11/Pengujian-
Kerelevanan-STBI.pdf diakses terakhir 24 November 2012
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
163
Lampiran 1 Contoh Form Kuesioner
KUESIONER DIFFERENTIAL DIAGNOSE PENYAKIT PARU – PARU
Nama : ________________________________________________
NIP : _______________________
Berilah tanda ( √ ) untuk kemungkinan differential diagnose penyakit berdasar
gejala berikut:
No Gejala Differential diagnosa 1 Demam Bronkiolitis
Muntah setelah makan Fibrosis Paru Hidung tersumbat Asma Batuk kering Displasia bronkopulmoner Sesak napas Silikosis Napas cuping hidung Asbestosis Denyut jantung cepat
TBC paru
Rinorea Mengi Retraksi dinding dada
2 Demam Bronkiolitis Batuk terus – menerus Fibrosis Paru Muntah setelah makan Asma Rinorea Displasia bronkopulmoner Mudah lelah Silikosis Sesak napas Asbestosis Mengi
TBC paru
Sianosis Ada riwayat infeksi saluran napas
3 Batuk kronis Bronkiolitis Penurunan berat badan Fibrosis Paru Keringat malam (+) Asma
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
164
Batuk darah Displasia bronkopulmoner Sakit di dada Silikosis Sesak napas Asbestosis Pembesaran kelenjar getah nbening leher
TBC paru Riwayat kontak penderita TB (+)
4 Sesak nafas Bronkiolitis Nafas cuping hidung Fibrosis Paru Melibatkan otot leher Asma Indikasi emosional tinggi Displasia bronkopulmoner Mengi Silikosis Sianosis Asbestosis Eksperium diperpanjang TBC paru
5 Batuk kronis Bronkiolitis Penurunan berat badan Fibrosis Paru Sesak napas Asma Dada sesak Displasia bronkopulmoner Retraksi dinding dada Silikosis Napas cuping hidung Asbestosis Suara nafas menggesek
TBC paru
Batuk darah Sianosis
6 Batuk serak Bronkiolitis Sesak napas Fibrosis Paru Dada sakit Asma Batuk khronis Displasia bronkopulmoner Pekerjaan tukang batu Silikosis Demam Asbestosis Sakit kepala TBC paru
7 Demam Bronkiolitis Batuk berdahak Fibrosis Paru Sesak napas Asma Napas cepat Displasia bronkopulmoner Mudah lelah Silikosis Riwayat infeksi saluran nafas atas Asbestosis Sakit kepala TBC paru
8 Sesak nafas Bronkiolitis Batuk berdahak Fibrosis Paru Eksperium diperpanjang Asma
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
165
Mengi Displasia bronkopulmoner Retraksi dinding dada Silikosis Sianosis Asbestosis Kumat kumatan TBC paru
9 Batuk kronis Bronkiolitis Sesak napas Fibrosis Paru Mengi Asma Tidak nafsu makan Displasia bronkopulmoner Ada kontak dengan asbes Silikosis Dada sakit Asbestosis TBC paru
10 Demam Bronkiolitis Batuk kronis Fibrosis Paru Bunyi nafas menggesek Asma Tidak selera makan Displasia bronkopulmoner Mudah lelah Silikosis Sesak napas Asbestosis Penurunan berat badan TBC paru Sakit di dada
11 Batuk khronis Bronkiolitis Mudah lelah Fibrosis Paru Bernafas cepat Asma Penurunan berat badan Displasia bronkopulmoner Sakit di dada Silikosis Ada kontak dengan senyawa silikon Asbestosis TBC paru
12 Batuk kronis Bronkiolitis Bernapas cepat Fibrosis Paru Sesak napas Asma Warna biru pada kulit Displasia bronkopulmoner Sianosis Silikosis Penurunan berat badan Asbestosis Postur leher buruk TBC paru Postur bahu buruk Ada bagian redup pada perkusi dada
13 Batuk kronis Bronkiolitis Bernapas cepat Fibrosis Paru Mengi Asma Sesak napas Displasia bronkopulmoner
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
166
Sianosis Silikosis Mudah lelah Asbestosis Penurunan berat badan TBC paru
14 Demam Bronkiolitis Batuk terus menerus Fibrosis Paru Batuk kronis Asma Batuk becampur darah Displasia bronkopulmoner Sesak napas Silikosis Nyeri di dada Asbestosis Bernapas cepat TBC paru Mengi Postur leher buruk
15 Batuk kronis Bronkiolitis Dada sesak Fibrosis Paru Sesak napas Asma Bernapas cepat Displasia bronkopulmoner Mengi Silikosis Sianosis Asbestosis Postur leher buruk
TBC paru
Postur bahu buruk Napas cuping hidung
16 Batuk kering Bronkiolitis Mudah lelah Fibrosis Paru Nyeri pada sendi Asma Berat badan turun Displasia bronkopulmoner Ruam kulit gatal Silikosis Pembengkakan pembuluh darah pada mata
Asbestosis TBC paru
17 Batuk kering Bronkiolitis Mialgia Fibrosis Paru Rasa lemah pada tangan Asma Rasa lelah berlebihan Displasia bronkopulmoner Berat badan turun Silikosis Asbestosis TBC paru
18 Panas nglemeng Bronkiolitis Batuk kronis Fibrosis Paru Batuk berdahak dan bercampur darah Asma Sesak napas Displasia bronkopulmoner
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
167
Nyeri dada Silikosis Badan lemah Asbestosis Nafsu makan menurun
TBC paru
Ada penurunan berat badan Malaise Berkeringat pada malam hari Ada kontak dengan penderita TB paru BTA (+)
19 Demam selama 2 hari Bronkiolitis Panas nglemeng saat periksa Fibrosis Paru Denyut jantung tidak normal (tinggi) Asma Batuk kronis Displasia bronkopulmoner Batuk berdahak Silikosis Sesak napas Asbestosis Nyeri di dada
TBC paru
Rasa lelah Malaise Penurunan berat badan
20 Batuk kronis Bronkiolitis Bernapas cepat Fibrosis Paru Mengi Asma Sesak napas Displasia bronkopulmoner Sianosis Silikosis Badan lemah Asbestosis Penurunan berat badan
TBC paru
Malaise Pembesaran limfonodi leher
21 Demam Bronkiolitis Kurang enak badan Fibrosis Paru Sesak napas Asma Badan lemah Displasia bronkopulmoner Tidak nafsu makan Silikosis Keringat berlebihan pada malam hari Asbestosis Ada kontak dengan penderita TB paru BTA (+) TBC paru
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
168
Pemalang, ................................... 2013
Mengetahui,
Kepala Puskesmas Jebed
Responden
( dr. Paulus Setiawan R. ) ( )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
169
Lampiran 2 Query Gejala
Tabel gejala berikut merupakan pencatatan ulang gejala dari rekam
medis pasien tanpa menunjukkan informasi yang bersifat rahasia pada pasien dan
pengobatan. Gejala ini akan digunakan sebagai data penelitian “Uji Algoritma
Information Retrieval Pada Sistem Rekomendasi Differential Diagnose Penyakit
Paru - Paru”.
No Gejala
1 Demam, Muntah setelah makan, Hidung tersumbat, Batuk kering, Sesak
napas, Napas cuping hidung, Denyut jantung cepat, Rinorea, Mengi, Retraksi
dinding dada,
2 Demam, Muntah setelah makan, Batuk terus – menerus, Sianosis, Sesak
napas, Ada riwayat infeksi saluran napas, Rinorea, Mengi
3 Batuk darah, Batuk kronis, Penurunan berat badan, Keringat malam (+), Sesak
napas, Sakit di dada, Pembesaran kelenjar getah bening leher, Riwayat kontak
penderita TB (+)
4 Sesak nafas, Nafas cuping hidung, Melibatkan otot leher, Indikasi emosional
tinggi, Mengi, Sianosis, Eksperium diperpanjang
5 Batuk kronis, Penurunan berat badan, Sesak napas, Dada sesak, Retraksi
dinding dada, Napas cuping hidung, Suara nafas menggesek, Batuk darah,
Sianosis
6 Batuk serak, Sesak napas, Dada sakit, Batuk khronis, Pekerjaan tukang batu,
Demam, Sakit kepala
7 Demam, Batuk berdahak, Sesak napas, Napas cepat, Mudah lelah, Riwayat
infeksi saluran nafas atas, Sakit kepala
8 Sesak nafas, Batuk berdahak, Eksperium diperpanjang, Mengi, Retraksi
dinding dada, Sianosis, Kumat kumatan
9 Batuk kronis, Sesak napas, Mengi, Tidak nafsu makan, Ada kontak dengan
asbes, Dada sakit
10 Demam, Batuk kronis, Bunyi nafas menggesek, Tidak selera makan, Mudah
lelah, sesak napas, Penurunan berat badan, Sakit di dada
11 Batuk kronis, Mudah lelah, Bernafas cepat, Penurunan berat badan, Sakit di
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
171
Lampiran 3 Kuesioner Responden 1
KUESIONER DIFFERENTIAL DIAGNOSE PENYAKIT PARU – PARU
Nama : dr. Darningsih_________________________________________
NIP : 19740830 200604 014 _______________________
Berilah tanda ( √ ) untuk kemungkinan differential diagnose penyakit berdasar
gejala berikut:
No Gejala Differential diagnosa 1 Demam Bronkiolitis √
Muntah setelah makan Fibrosis Paru Hidung tersumbat Asma √ Batuk kering Displasia bronkopulmoner Sesak napas Silikosis Napas cuping hidung Asbestosis Denyut jantung cepat
TBC paru
√ Rinorea Mengi Retraksi dinding dada
2 Demam Bronkiolitis √ Batuk terus – menerus Fibrosis Paru Muntah setelah makan Asma √ Rinorea Displasia bronkopulmoner Mudah lelah Silikosis Sesak napas Asbestosis Mengi
TBC paru √
Sianosis Ada riwayat infeksi saluran napas
3 Batuk kronis Bronkiolitis √ Penurunan berat badan Fibrosis Paru Keringat malam (+) Asma Batuk darah Displasia bronkopulmoner Sakit di dada Silikosis Sesak napas Asbestosis Pembesaran kelenjar getah nbening leher TBC paru √
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
172
Riwayat kontak penderita TB (+) 4 Sesak nafas Bronkiolitis √
Nafas cuping hidung Fibrosis Paru Melibatkan otot leher Asma √ Indikasi emosional tinggi Displasia bronkopulmoner Mengi Silikosis Sianosis Asbestosis Eksperium diperpanjang TBC paru
5 Batuk kronis Bronkiolitis Penurunan berat badan Fibrosis Paru √ Sesak napas Asma Dada sesak Displasia bronkopulmoner √ Retraksi dinding dada Silikosis Napas cuping hidung Asbestosis Suara nafas menggesek
TBC paru √
Batuk darah Sianosis
6 Batuk serak Bronkiolitis Sesak napas Fibrosis Paru √ Dada sakit Asma Batuk khronis Displasia bronkopulmoner Pekerjaan tukang batu Silikosis √ Demam Asbestosis √ Sakit kepala TBC paru
7 Demam Bronkiolitis √ Batuk berdahak Fibrosis Paru Sesak napas Asma √ Napas cepat Displasia bronkopulmoner Mudah lelah Silikosis Riwayat infeksi saluran nafas atas Asbestosis Sakit kepala TBC paru
8 Sesak nafas Bronkiolitis Batuk berdahak Fibrosis Paru Eksperium diperpanjang Asma √ Mengi Displasia bronkopulmoner Retraksi dinding dada Silikosis Sianosis Asbestosis Kumat kumatan TBC paru
9 Batuk kronis Bronkiolitis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
173
Sesak napas Fibrosis Paru Mengi Asma Tidak nafsu makan Displasia bronkopulmoner Ada kontak dengan asbes Silikosis √ Dada sakit Asbestosis √ TBC paru
10 Demam Bronkiolitis Batuk kronis Fibrosis Paru √ Bunyi nafas menggesek Asma Tidak selera makan Displasia bronkopulmoner √ Mudah lelah Silikosis Sesak napas Asbestosis Penurunan berat badan TBC paru √ Sakit di dada
11 Batuk khronis Bronkiolitis Mudah lelah Fibrosis Paru Bernafas cepat Asma Penurunan berat badan Displasia bronkopulmoner √ Sakit di dada Silikosis √ Ada kontak dengan senyawa silikon Asbestosis √ TBC paru
12 Batuk kronis Bronkiolitis Bernapas cepat Fibrosis Paru √ Sesak napas Asma √ Warna biru pada kulit Displasia bronkopulmoner √ Sianosis Silikosis Penurunan berat badan Asbestosis Postur leher buruk TBC paru √ Postur bahu buruk Ada bagian redup pada perkusi dada
13 Batuk kronis Bronkiolitis Bernapas cepat Fibrosis Paru √ Mengi Asma √ Sesak napas Displasia bronkopulmoner Sianosis Silikosis Mudah lelah Asbestosis Penurunan berat badan TBC paru
14 Demam Bronkiolitis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
174
Batuk terus menerus Fibrosis Paru Batuk kronis Asma √ Batuk becampur darah Displasia bronkopulmoner √ Sesak napas Silikosis Nyeri di dada Asbestosis Bernapas cepat TBC paru √ Mengi Postur leher buruk
15 Batuk kronis Bronkiolitis Dada sesak Fibrosis Paru Sesak napas Asma √ Bernapas cepat Displasia bronkopulmoner √ Mengi Silikosis Sianosis Asbestosis Postur leher buruk
TBC paru √
Postur bahu buruk Napas cuping hidung
16 Batuk kering Bronkiolitis Mudah lelah Fibrosis Paru √ Nyeri pada sendi Asma Berat badan turun Displasia bronkopulmoner √ Ruam kulit gatal Silikosis Pembengkakan pembuluh darah pada mata
Asbestosis TBC paru
17 Batuk kering Bronkiolitis Mialgia Fibrosis Paru √ Rasa lemah pada tangan Asma Rasa lelah berlebihan Displasia bronkopulmoner √ Berat badan turun Silikosis Asbestosis TBC paru
18 Panas nglemeng Bronkiolitis Batuk kronis Fibrosis Paru Batuk berdahak dan bercampur darah Asma Sesak napas Displasia bronkopulmoner Nyeri dada Silikosis Badan lemah Asbestosis Nafsu makan menurun
TBC paru √
Ada penurunan berat badan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
175
Malaise Berkeringat pada malam hari Ada kontak dengan penderita TB paru BTA (+)
19 Demam selama 2 hari Bronkiolitis √ Panas nglemeng saat periksa Fibrosis Paru Denyut jantung tidak normal (tinggi) Asma Batuk kronis Displasia bronkopulmoner Batuk berdahak Silikosis Sesak napas Asbestosis Nyeri di dada
TBC paru
√ Rasa lelah Malaise Penurunan berat badan
20 Batuk kronis Bronkiolitis Bernapas cepat Fibrosis Paru Mengi Asma √ Sesak napas Displasia bronkopulmoner Sianosis Silikosis Badan lemah Asbestosis Penurunan berat badan
TBC paru √
Malaise Pembesaran limfonodi leher
21 Demam Bronkiolitis √ Kurang enak badan Fibrosis Paru Sesak napas Asma Badan lemah Displasia bronkopulmoner Tidak nafsu makan Silikosis Keringat berlebihan pada malam hari Asbestosis Ada kontak dengan penderita TB paru BTA (+) TBC paru
√
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
176
Lampiran 4 Kuesioner Responden 2
KUESIONER DIFFERENTIAL DIAGNOSE PENYAKIT PARU – PARU
Nama : dr. P. Setiawan Raharjana ______________________________
NIP : 1960 1015 1987 11.1.001 _______________________
Berilah tanda ( √ ) untuk kemungkinan differential diagnose penyakit berdasar
gejala berikut:
No Gejala Differential diagnosa 1 Demam Bronkiolitis √
Muntah setelah makan Fibrosis Paru Hidung tersumbat Asma Batuk kering Displasia bronkopulmoner Sesak napas Silikosis Napas cuping hidung Asbestosis Denyut jantung cepat
TBC paru
√ Rinorea Mengi Retraksi dinding dada
2 Demam Bronkiolitis √ Batuk terus – menerus Fibrosis Paru Muntah setelah makan Asma √ Rinorea Displasia bronkopulmoner Mudah lelah Silikosis Sesak napas Asbestosis Mengi
TBC paru √
Sianosis Ada riwayat infeksi saluran napas
3 Batuk kronis Bronkiolitis √ Penurunan berat badan Fibrosis Paru Keringat malam (+) Asma Batuk darah Displasia bronkopulmoner Sakit di dada Silikosis Sesak napas Asbestosis Pembesaran kelenjar getah nbening leher TBC paru √
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
177
Riwayat kontak penderita TB (+) 4 Sesak nafas Bronkiolitis √
Nafas cuping hidung Fibrosis Paru Melibatkan otot leher Asma √ Indikasi emosional tinggi Displasia bronkopulmoner Mengi Silikosis Sianosis Asbestosis Eksperium diperpanjang TBC paru
5 Batuk kronis Bronkiolitis Penurunan berat badan Fibrosis Paru Sesak napas Asma Dada sesak Displasia bronkopulmoner √ Retraksi dinding dada Silikosis √ Napas cuping hidung Asbestosis √ Suara nafas menggesek
TBC paru √
Batuk darah Sianosis
6 Batuk serak Bronkiolitis Sesak napas Fibrosis Paru √ Dada sakit Asma Batuk khronis Displasia bronkopulmoner Pekerjaan tukang batu Silikosis √ Demam Asbestosis √ Sakit kepala TBC paru
7 Demam Bronkiolitis √ Batuk berdahak Fibrosis Paru Sesak napas Asma √ Napas cepat Displasia bronkopulmoner Mudah lelah Silikosis Riwayat infeksi saluran nafas atas Asbestosis Sakit kepala TBC paru
8 Sesak nafas Bronkiolitis Batuk berdahak Fibrosis Paru Eksperium diperpanjang Asma √ Mengi Displasia bronkopulmoner Retraksi dinding dada Silikosis Sianosis Asbestosis Kumat kumatan TBC paru
9 Batuk kronis Bronkiolitis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
178
Sesak napas Fibrosis Paru Mengi Asma Tidak nafsu makan Displasia bronkopulmoner Ada kontak dengan asbes Silikosis √ Dada sakit Asbestosis √ TBC paru
10 Demam Bronkiolitis Batuk kronis Fibrosis Paru √ Bunyi nafas menggesek Asma Tidak selera makan Displasia bronkopulmoner √ Mudah lelah Silikosis Sesak napas Asbestosis Penurunan berat badan TBC paru √ Sakit di dada
11 Batuk khronis Bronkiolitis Mudah lelah Fibrosis Paru Bernafas cepat Asma Penurunan berat badan Displasia bronkopulmoner √ Sakit di dada Silikosis √ Ada kontak dengan senyawa silikon Asbestosis √ TBC paru
12 Batuk kronis Bronkiolitis Bernapas cepat Fibrosis Paru √ Sesak napas Asma √ Warna biru pada kulit Displasia bronkopulmoner √ Sianosis Silikosis Penurunan berat badan Asbestosis Postur leher buruk TBC paru √ Postur bahu buruk Ada bagian redup pada perkusi dada
13 Batuk kronis Bronkiolitis Bernapas cepat Fibrosis Paru √ Mengi Asma √ Sesak napas Displasia bronkopulmoner Sianosis Silikosis Mudah lelah Asbestosis Penurunan berat badan TBC paru
14 Demam Bronkiolitis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
179
Batuk terus menerus Fibrosis Paru Batuk kronis Asma √ Batuk becampur darah Displasia bronkopulmoner √ Sesak napas Silikosis Nyeri di dada Asbestosis Bernapas cepat TBC paru √ Mengi Postur leher buruk
15 Batuk kronis Bronkiolitis Dada sesak Fibrosis Paru Sesak napas Asma Bernapas cepat Displasia bronkopulmoner √ Mengi Silikosis Sianosis Asbestosis Postur leher buruk
TBC paru √
Postur bahu buruk Napas cuping hidung
16 Batuk kering Bronkiolitis Mudah lelah Fibrosis Paru √ Nyeri pada sendi Asma Berat badan turun Displasia bronkopulmoner √ Ruam kulit gatal Silikosis Pembengkakan pembuluh darah pada mata
Asbestosis TBC paru
17 Batuk kering Bronkiolitis Mialgia Fibrosis Paru √ Rasa lemah pada tangan Asma Rasa lelah berlebihan Displasia bronkopulmoner √ Berat badan turun Silikosis Asbestosis TBC paru
18 Panas nglemeng Bronkiolitis Batuk kronis Fibrosis Paru Batuk berdahak dan bercampur darah Asma Sesak napas Displasia bronkopulmoner Nyeri dada Silikosis Badan lemah Asbestosis Nafsu makan menurun
TBC paru √
Ada penurunan berat badan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
180
Malaise Berkeringat pada malam hari Ada kontak dengan penderita TB paru BTA (+)
19 Demam selama 2 hari Bronkiolitis √ Panas nglemeng saat periksa Fibrosis Paru Denyut jantung tidak normal (tinggi) Asma Batuk kronis Displasia bronkopulmoner Batuk berdahak Silikosis Sesak napas Asbestosis Nyeri di dada
TBC paru
√ Rasa lelah Malaise Penurunan berat badan
20 Batuk kronis Bronkiolitis √ Bernapas cepat Fibrosis Paru Mengi Asma √ Sesak napas Displasia bronkopulmoner Sianosis Silikosis Badan lemah Asbestosis Penurunan berat badan
TBC paru √
Malaise Pembesaran limfonodi leher
21 Demam Bronkiolitis √ Kurang enak badan Fibrosis Paru Sesak napas Asma Badan lemah Displasia bronkopulmoner Tidak nafsu makan Silikosis Keringat berlebihan pada malam hari Asbestosis Ada kontak dengan penderita TB paru BTA (+) TBC paru
√
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
181
Lampiran 5 Kuesioner Responden 3
KUESIONER DIFFERENTIAL DIAGNOSE PENYAKIT PARU – PARU
Nama : dr. Fajar Pradana Susetya
NIP : 19840302 201001 1019 _______________________
Berilah tanda ( √ ) untuk kemungkinan differential diagnose penyakit berdasar
gejala berikut:
No Gejala Differential diagnosa 1 Demam Bronkiolitis √
Muntah setelah makan Fibrosis Paru Hidung tersumbat Asma √ Batuk kering Displasia bronkopulmoner Sesak napas Silikosis Napas cuping hidung Asbestosis Denyut jantung cepat
TBC paru
√ Rinorea Mengi Retraksi dinding dada
2 Demam Bronkiolitis √ Batuk terus – menerus Fibrosis Paru √ Muntah setelah makan Asma Rinorea Displasia bronkopulmoner Mudah lelah Silikosis Sesak napas Asbestosis Mengi
TBC paru √
Sianosis Ada riwayat infeksi saluran napas
3 Batuk kronis Bronkiolitis Penurunan berat badan Fibrosis Paru Keringat malam (+) Asma Batuk darah Displasia bronkopulmoner Sakit di dada Silikosis √ Sesak napas Asbestosis √ Pembesaran kelenjar getah nbening leher TBC paru √
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
182
Riwayat kontak penderita TB (+) 4 Sesak nafas Bronkiolitis √
Nafas cuping hidung Fibrosis Paru Melibatkan otot leher Asma √ Indikasi emosional tinggi Displasia bronkopulmoner Mengi Silikosis Sianosis Asbestosis Eksperium diperpanjang TBC paru
5 Batuk kronis Bronkiolitis Penurunan berat badan Fibrosis Paru Sesak napas Asma Dada sesak Displasia bronkopulmoner √ Retraksi dinding dada Silikosis √ Napas cuping hidung Asbestosis √ Suara nafas menggesek
TBC paru √
Batuk darah Sianosis
6 Batuk serak Bronkiolitis Sesak napas Fibrosis Paru Dada sakit Asma Batuk khronis Displasia bronkopulmoner Pekerjaan tukang batu Silikosis √ Demam Asbestosis √ Sakit kepala TBC paru
7 Demam Bronkiolitis √ Batuk berdahak Fibrosis Paru Sesak napas Asma √ Napas cepat Displasia bronkopulmoner Mudah lelah Silikosis Riwayat infeksi saluran nafas atas Asbestosis Sakit kepala TBC paru
8 Sesak nafas Bronkiolitis Batuk berdahak Fibrosis Paru Eksperium diperpanjang Asma √ Mengi Displasia bronkopulmoner Retraksi dinding dada Silikosis Sianosis Asbestosis Kumat kumatan TBC paru
9 Batuk kronis Bronkiolitis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
183
Sesak napas Fibrosis Paru Mengi Asma √ Tidak nafsu makan Displasia bronkopulmoner Ada kontak dengan asbes Silikosis √ Dada sakit Asbestosis √ TBC paru
10 Demam Bronkiolitis Batuk kronis Fibrosis Paru √ Bunyi nafas menggesek Asma Tidak selera makan Displasia bronkopulmoner √ Mudah lelah Silikosis Sesak napas Asbestosis Penurunan berat badan TBC paru √ Sakit di dada
11 Batuk khronis Bronkiolitis Mudah lelah Fibrosis Paru Bernafas cepat Asma Penurunan berat badan Displasia bronkopulmoner √ Sakit di dada Silikosis √ Ada kontak dengan senyawa silikon Asbestosis √ TBC paru
12 Batuk kronis Bronkiolitis Bernapas cepat Fibrosis Paru √ Sesak napas Asma √ Warna biru pada kulit Displasia bronkopulmoner √ Sianosis Silikosis Penurunan berat badan Asbestosis Postur leher buruk TBC paru √ Postur bahu buruk Ada bagian redup pada perkusi dada
13 Batuk kronis Bronkiolitis Bernapas cepat Fibrosis Paru √ Mengi Asma √ Sesak napas Displasia bronkopulmoner Sianosis Silikosis Mudah lelah Asbestosis Penurunan berat badan TBC paru
14 Demam Bronkiolitis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
184
Batuk terus menerus Fibrosis Paru Batuk kronis Asma √ Batuk becampur darah Displasia bronkopulmoner √ Sesak napas Silikosis Nyeri di dada Asbestosis Bernapas cepat TBC paru √ Mengi Postur leher buruk
15 Batuk kronis Bronkiolitis Dada sesak Fibrosis Paru Sesak napas Asma √ Bernapas cepat Displasia bronkopulmoner √ Mengi Silikosis Sianosis Asbestosis Postur leher buruk
TBC paru √
Postur bahu buruk Napas cuping hidung
16 Batuk kering Bronkiolitis Mudah lelah Fibrosis Paru √ Nyeri pada sendi Asma Berat badan turun Displasia bronkopulmoner √ Ruam kulit gatal Silikosis Pembengkakan pembuluh darah pada mata
Asbestosis TBC paru
17 Batuk kering Bronkiolitis Mialgia Fibrosis Paru √ Rasa lemah pada tangan Asma Rasa lelah berlebihan Displasia bronkopulmoner √ Berat badan turun Silikosis Asbestosis TBC paru
18 Panas nglemeng Bronkiolitis Batuk kronis Fibrosis Paru Batuk berdahak dan bercampur darah Asma Sesak napas Displasia bronkopulmoner Nyeri dada Silikosis Badan lemah Asbestosis Nafsu makan menurun
TBC paru √
Ada penurunan berat badan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
185
Malaise Berkeringat pada malam hari zAda kontak dengan penderita TB paru BTA (+)
19 Demam selama 2 hari Bronkiolitis √ Panas nglemeng saat periksa Fibrosis Paru Denyut jantung tidak normal (tinggi) Asma Batuk kronis Displasia bronkopulmoner Batuk berdahak Silikosis Sesak napas Asbestosis Nyeri di dada
TBC paru
√ Rasa lelah Malaise Penurunan berat badan
20 Batuk kronis Bronkiolitis √ Bernapas cepat Fibrosis Paru Mengi Asma √ Sesak napas Displasia bronkopulmoner Sianosis Silikosis Badan lemah Asbestosis Penurunan berat badan
TBC paru √
Malaise Pembesaran limfonodi leher
21 Demam Bronkiolitis √ Kurang enak badan Fibrosis Paru Sesak napas Asma Badan lemah Displasia bronkopulmoner Tidak nafsu makan Silikosis Keringat berlebihan pada malam hari Asbestosis Ada kontak dengan penderita TB paru BTA (+) TBC paru
√
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
186
Lampiran 6 Kuesioner Responden 4
KUESIONER DIFFERENTIAL DIAGNOSE PENYAKIT PARU – PARU
Nama : dr. Satrio Ady. S_______________________________________
NIP : 19820918 201001 1015 _______________________
Berilah tanda ( √ ) untuk kemungkinan differential diagnose penyakit berdasar
gejala berikut:
No Gejala Differential diagnosa 1 Demam Bronkiolitis √
Muntah setelah makan Fibrosis Paru Hidung tersumbat Asma √ Batuk kering Displasia bronkopulmoner Sesak napas Silikosis Napas cuping hidung Asbestosis Denyut jantung cepat
TBC paru
√ Rinorea Mengi Retraksi dinding dada
2 Demam Bronkiolitis √ Batuk terus – menerus Fibrosis Paru Muntah setelah makan Asma √ Rinorea Displasia bronkopulmoner Mudah lelah Silikosis Sesak napas Asbestosis Mengi
TBC paru √
Sianosis Ada riwayat infeksi saluran napas
3 Batuk kronis Bronkiolitis √ Penurunan berat badan Fibrosis Paru Keringat malam (+) Asma Batuk darah Displasia bronkopulmoner Sakit di dada Silikosis Sesak napas Asbestosis Pembesaran kelenjar getah nbening leher TBC paru √
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
187
Riwayat kontak penderita TB (+) 4 Sesak nafas Bronkiolitis √
Nafas cuping hidung Fibrosis Paru Melibatkan otot leher Asma √ Indikasi emosional tinggi Displasia bronkopulmoner Mengi Silikosis Sianosis Asbestosis Eksperium diperpanjang TBC paru
5 Batuk kronis Bronkiolitis Penurunan berat badan Fibrosis Paru √ Sesak napas Asma Dada sesak Displasia bronkopulmoner √ Retraksi dinding dada Silikosis Napas cuping hidung Asbestosis Suara nafas menggesek
TBC paru √
Batuk darah Sianosis
6 Batuk serak Bronkiolitis Sesak napas Fibrosis Paru √ Dada sakit Asma Batuk khronis Displasia bronkopulmoner Pekerjaan tukang batu Silikosis √ Demam Asbestosis √ Sakit kepala TBC paru
7 Demam Bronkiolitis √ Batuk berdahak Fibrosis Paru Sesak napas Asma √ Napas cepat Displasia bronkopulmoner Mudah lelah Silikosis Riwayat infeksi saluran nafas atas Asbestosis Sakit kepala TBC paru √
8 Sesak nafas Bronkiolitis Batuk berdahak Fibrosis Paru Eksperium diperpanjang Asma √ Mengi Displasia bronkopulmoner Retraksi dinding dada Silikosis Sianosis Asbestosis Kumat kumatan TBC paru
9 Batuk kronis Bronkiolitis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
188
Sesak napas Fibrosis Paru Mengi Asma √ Tidak nafsu makan Displasia bronkopulmoner Ada kontak dengan asbes Silikosis √ Dada sakit Asbestosis √ TBC paru
10 Demam Bronkiolitis Batuk kronis Fibrosis Paru √ Bunyi nafas menggesek Asma Tidak selera makan Displasia bronkopulmoner √ Mudah lelah Silikosis Sesak napas Asbestosis Penurunan berat badan TBC paru √ Sakit di dada
11 Batuk khronis Bronkiolitis Mudah lelah Fibrosis Paru Bernafas cepat Asma Penurunan berat badan Displasia bronkopulmoner √ Sakit di dada Silikosis √ Ada kontak dengan senyawa silikon Asbestosis √ TBC paru
12 Batuk kronis Bronkiolitis Bernapas cepat Fibrosis Paru √ Sesak napas Asma √ Warna biru pada kulit Displasia bronkopulmoner √ Sianosis Silikosis Penurunan berat badan Asbestosis Postur leher buruk TBC paru Postur bahu buruk Ada bagian redup pada perkusi dada
13 Batuk kronis Bronkiolitis Bernapas cepat Fibrosis Paru Mengi Asma √ Sesak napas Displasia bronkopulmoner √ Sianosis Silikosis Mudah lelah Asbestosis Penurunan berat badan TBC paru √
14 Demam Bronkiolitis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
189
Batuk terus menerus Fibrosis Paru Batuk kronis Asma √ Batuk becampur darah Displasia bronkopulmoner √ Sesak napas Silikosis Nyeri di dada Asbestosis Bernapas cepat TBC paru √ Mengi Postur leher buruk
15 Batuk kronis Bronkiolitis Dada sesak Fibrosis Paru Sesak napas Asma √ Bernapas cepat Displasia bronkopulmoner √ Mengi Silikosis Sianosis Asbestosis Postur leher buruk
TBC paru
Postur bahu buruk Napas cuping hidung
16 Batuk kering Bronkiolitis Mudah lelah Fibrosis Paru √ Nyeri pada sendi Asma Berat badan turun Displasia bronkopulmoner √ Ruam kulit gatal Silikosis Pembengkakan pembuluh darah pada mata
Asbestosis TBC paru
17 Batuk kering Bronkiolitis Mialgia Fibrosis Paru √ Rasa lemah pada tangan Asma Rasa lelah berlebihan Displasia bronkopulmoner √ Berat badan turun Silikosis Asbestosis TBC paru
18 Panas nglemeng Bronkiolitis Batuk kronis Fibrosis Paru Batuk berdahak dan bercampur darah Asma Sesak napas Displasia bronkopulmoner Nyeri dada Silikosis Badan lemah Asbestosis Nafsu makan menurun
TBC paru √
Ada penurunan berat badan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
190
Malaise Berkeringat pada malam hari Ada kontak dengan penderita TB paru BTA (+)
19 Demam selama 2 hari Bronkiolitis √ Panas nglemeng saat periksa Fibrosis Paru Denyut jantung tidak normal (tinggi) Asma Batuk kronis Displasia bronkopulmoner Batuk berdahak Silikosis Sesak napas Asbestosis Nyeri di dada
TBC paru
√ Rasa lelah Malaise Penurunan berat badan
20 Batuk kronis Bronkiolitis √ Bernapas cepat Fibrosis Paru Mengi Asma Sesak napas Displasia bronkopulmoner Sianosis Silikosis Badan lemah Asbestosis Penurunan berat badan
TBC paru √
Malaise Pembesaran limfonodi leher
21 Demam Bronkiolitis √ Kurang enak badan Fibrosis Paru Sesak napas Asma Badan lemah Displasia bronkopulmoner Tidak nafsu makan Silikosis Keringat berlebihan pada malam hari Asbestosis Ada kontak dengan penderita TB paru BTA (+) TBC paru
√
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
191
Lampiran 7 Hasil Perhitungan Precision Semua Responden (PM)
Query 1 R1 3
R2 2
R3 3
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 1 0,33 1 1 0,5 1 1 0,33 1 1 0,33 1 2 Asbestosis 1 0,33 0,5 1 0,5 0,5 1 0,33 0,5 1 0,33 0,5 3 Silikosis 1 0,33 0,33 1 0,5 0,33 1 0,33 0,333333333 1 0,33 0,33 4 Displasia Bronkopulmoner 1 0,33 0,25 1 0,5 0,25 1 0,33 0,25 1 0,33 0,25 5 Asma 2 0,67 0,4 1 0,5 0,2 2 0,67 0,4 2 0,67 0,4 6 TBC 3 1 0,5 2 1 0,33 3 1 0,5 3 1 0,5 7 Fibrosis Paru 3 1 0,43 2 1 0,29 3 1 0,428571429 3 1 0,43
Query 2 R1 3
R2 3
R3 3
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 2 Asma 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 1 0,33 0,50 3 Displasia Bronkopulmoner 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 1 0,33 0,33 4 Asbestosis 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 1 0,33 0,25 5 Silikosis 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 1 0,33 0,20 6 TBC 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 2 0,67 0,33 7 Fibrosis Paru 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43
Query 3 R1 2
R2 2
R3 2
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,33 1,00 2 Asbestosis 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 2 0,67 1,00
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
192
3 Silikosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 3 1,00 1,00 4 Fibrosis Paru 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 3 1,00 0,75 5 Displasia Bronkopulmoner 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 3 1,00 0,60 6 Bronkiolitis 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50 7 Asma 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43
Query 4 R1 2
R2 2
R3 2
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asma 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 Bronkiolitis 2 1,00 1,00 2 1,00 1,00 2 1,00 1,00 2 1,00 1,00 3 Displasia Bronkopulmoner 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67
Query 5 R1 3
R2 4
R3 3
R4 4
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asbestosis 0 0,00 0,00 1 0,25 1,00 0 0,00 0,00 1 0,25 1,00 2 Silikosis 0 0,00 0,00 2 0,50 1,00 0 0,00 0,00 2 0,50 1,00 3 TBC 1 0,33 0,33 3 0,75 1,00 1 0,33 0,33 3 0,75 1,00 4 Displasia Bronkopulmoner 2 0,67 0,50 4 1,00 1,00 2 0,67 0,50 4 1,00 1,00 5 Fibrosis Paru 3 1,00 0,60 4 1,00 0,80 3 1,00 0,60 4 1,00 0,80 6 Asma 3 1,00 0,50 4 1,00 0,67 3 1,00 0,50 4 1,00 0,67 7 Bronkiolitis 3 1,00 0,43 4 1,00 0,57 3 1,00 0,43 4 1,00 0,57
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
193
Query 6 R1 3
R2 3
R3 3
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asbestosis 1 0,33 0,50 1 0,33 0,50 1 0,33 0,50 1 0,50 0,50 3 Silikosis 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 2 1,00 0,67 4 Asma 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 2 1,00 0,50 5 TBC 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 2 1,00 0,40 6 Displasia Bronkopulmoner 2 0,67 0,33 2 0,67 0,33 2 0,67 0,33 2 1,00 0,33
Query 7 R1 2
R2 2
R3 3
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asbestosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Silikosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 Bronkiolitis 1 0,50 0,33 1 0,50 0,33 1 0,33 0,33 1 0,50 0,33 4 TBC 1 0,50 0,25 1 0,50 0,25 2 0,67 0,50 1 0,50 0,25 5 Asma 2 1,00 0,40 2 1,00 0,40 3 1,00 0,60 2 1,00 0,40 6 Fibrosis Paru 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50 2 1,00 0,33 7 Displasia Bronkopulmoner 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43 2 1,00 0,29
Query 8 R1 1
R2 1
R3 1
R4 1
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asma 1 1,00 1,00 1 1,00 1,00 1 1,00 1,00 1 1,00 1,00 2 Bronkiolitis 1 1,00 0,50 1 1,00 0,50 1 1,00 0,50 1 1,00 0,50 3 Displasia Bronkopulmoner 1 1,00 0,33 1 1,00 0,33 1 1,00 0,33 1 1,00 0,33 4 TBC 1 1,00 0,25 1 1,00 0,25 1 1,00 0,25 1 1,00 0,25 5 Silikosis 1 1,00 0,20 1 1,00 0,20 1 1,00 0,20 1 1,00 0,20 6 Asbestosis 1 1,00 0,17 1 1,00 0,17 1 1,00 0,17 1 1,00 0,17
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
194
7 Fibrosis Paru 1 1,00 0,14 1 1,00 0,14 1 1,00 0,14 1 1,00 0,14
Query 9 R1 2
R2 2
R3 3
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asbestosis 1 0,50 0,50 1 0,50 0,50 1 0,33 0,50 1 0,33 0,50 3 Silikosis 2 1,00 0,67 2 1,00 0,67 2 0,67 0,67 2 0,67 0,67 4 TBC 2 1,00 0,50 2 1,00 0,50 2 0,67 0,50 2 0,67 0,50 5 Displasia Bronkopulmoner 2 1,00 0,40 2 1,00 0,40 2 0,67 0,40 2 0,67 0,40 6 Asma 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50 3 1,00 0,50 7 Fibrosis Paru 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43 3 1,00 0,43
Query 10 R1 3
R2 3
R3 3
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 2 Displasia Bronkopulmoner 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 3 Asma 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 4 Fibrosis Paru 3 1,00 0,75 3 1,00 0,75 3 1,00 0,75 3 1,00 0,75 5 Bronkiolitis 3 1,00 0,60 3 1,00 0,60 3 1,00 0,60 3 1,00 0,60 6 Asbestosis 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 7 Silikosis 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43
Query 11 R1 3
R2 3
R3 3
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asbestosis 1 0,33 0,50 1 0,33 0,50 1 0,33 0,50 1 0,33 0,50
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
195
3 Displasia Bronkopulmoner 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 4 Bronkiolitis 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 5 Asma 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 6 Fibrosis Paru 2 0,67 0,33 2 0,67 0,33 2 0,67 0,33 2 0,67 0,33 7 Silikosis 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43
Query 12 R1 3
R2 4
R3 3
R4 4
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Fibrosis Paru 1 0,33 1,00 1 0,25 1,00 1 0,33 1,00 1 0,25 1,00 2 TBC 1 0,33 0,50 2 0,50 1,00 1 0,33 0,50 2 0,50 1,00 3 Asbestosis 1 0,33 0,33 2 0,50 0,67 1 0,33 0,33 2 0,50 0,67 4 Silikosis 1 0,33 0,25 2 0,50 0,50 1 0,33 0,25 2 0,50 0,50 5 Displasia Bronkopulmoner 2 0,67 0,40 3 0,75 0,60 2 0,67 0,40 3 0,75 0,60 6 Asma 3 1,00 0,50 4 1,00 0,67 3 1,00 0,50 4 1,00 0,67 7 Bronkiolitis 3 1,00 0,43 4 1,00 0,57 3 1,00 0,43 4 1,00 0,57
Query 13 R1 2
R2 2
R3 3
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Fibrosis Paru 1 0,50 1,00 1 0,50 1,00 0 0,00 0,00 1 0,50 1,00 2 TBC 1 0,50 0,50 1 0,50 0,50 1 0,33 0,50 1 0,50 0,50 3 Silikosis 1 0,50 0,33 1 0,50 0,33 1 0,33 0,33 1 0,50 0,33 4 Asbestosis 1 0,50 0,25 1 0,50 0,25 1 0,33 0,25 1 0,50 0,25 5 Bronkiolitis 1 0,50 0,20 1 0,50 0,20 1 0,33 0,20 1 0,50 0,20 6 Displasia Bronkopulmoner 1 0,50 0,17 1 0,50 0,17 2 0,67 0,33 1 0,50 0,17 7 Asma 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43 2 1,00 0,29
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
196
Query 14 R1 3
R2 3
R3 3
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Silikosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asbestosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 Displasia Bronkopulmoner 1 0,33 0,33 1 0,33 0,33 1 0,33 0,33 1 0,33 0,33 4 Bronkiolitis 1 0,33 0,25 1 0,33 0,25 1 0,33 0,25 1 0,33 0,25 5 TBC 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 6 Fibrosis Paru 2 0,67 0,33 2 0,67 0,33 2 0,67 0,33 2 0,67 0,33 7 Asma 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43
Query 15 R1 3
R2 2
R3 2
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Displasia Bronkopulmoner 1 0,33 1,00 1 0,50 1,00 1 0,50 1,00 1 0,33 1,00 2 Bronkiolitis 1 0,33 0,50 1 0,50 0,50 1 0,50 0,50 1 0,33 0,50 3 Silikosis 1 0,33 0,33 1 0,50 0,33 1 0,50 0,33 1 0,33 0,33 4 Asbestosis 1 0,33 0,25 1 0,50 0,25 1 0,50 0,25 1 0,33 0,25 5 Asma 2 0,67 0,40 1 0,50 0,20 2 1,00 0,40 2 0,67 0,40 6 TBC 3 1,00 0,50 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50 7 Fibrosis Paru 3 1,00 0,43 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43
Query 16 R1 2
R2 2
R3 2
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Fibrosis Paru 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 Asbestosis 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 3 Silikosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 4 TBC 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 5 Asma 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
197
6 Displasia Bronkopulmoner 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33
Query 17 R1 2
R2 2
R3 2
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Fibrosis Paru 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 TBC 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 3 Silikosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 4 Asbestosis 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 5 Displasia Bronkopulmoner 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 6 Asma 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33
Query 18 R1 1
R2 1
R3 1
R4 1
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asbestosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Silikosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 TBC 1 1,00 0,33 1 1,00 0,33 1 1,00 0,33 1 1,00 0,33 4 Fibrosis Paru 1 1,00 0,25 1 1,00 0,25 1 1,00 0,25 1 1,00 0,25 5 Bronkiolitis 1 1,00 0,20 1 1,00 0,20 1 1,00 0,20 1 1,00 0,20 6 Displasia Bronkopulmoner 1 1,00 0,17 1 1,00 0,17 1 1,00 0,17 1 1,00 0,17
Query 19 R1 2
R2 2
R3 2
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asbestosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Silikosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 TBC 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 4 Fibrosis Paru 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
198
5 Displasia Bronkopulmoner 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 6 Bronkiolitis 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 7 Asma 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29
Query 20 R1 2
R2 3
R3 2
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asbestosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Silikosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 Fibrosis Paru 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 4 Bronkiolitis 0 0,00 0,00 1 0,33 0,25 1 0,50 0,25 1 0,33 0,25 5 Displasia Bronkopulmoner 0 0,00 0,00 1 0,33 0,20 1 0,50 0,20 1 0,33 0,20 6 Asma 1 0,50 0,17 2 0,67 0,33 1 0,50 0,17 2 0,67 0,33 7 TBC 2 1,00 0,29 3 1,00 0,43 2 1,00 0,29 3 1,00 0,43
Query 21 R1 2
R2 2
R3 2
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 Bronkiolitis 2 1,00 1,00 2 1,00 1,00 2 1,00 1,00 2 1,00 1,00 3 Asbestosis 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 4 Silikosis 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 5 Fibrosis Paru 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 6 Displasia Bronkopulmoner 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 7 Asma 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
199
Lampiran 8 Hasil Perhitungan Precision Semua Responden (VSM)
Query 1 R1 3
R2 2
R3 3
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 1 0,33 1,00 1 0,50 1,00 1 0,33 1,00 1 0,33 1,00 2 Asma 2 0,67 1,00 1 0,50 0,50 2 0,67 1,00 2 0,67 1,00 3 Asbestosis 2 0,67 0,67 1 0,50 0,33 2 0,67 0,67 2 0,67 0,67 4 Silikosis 2 0,67 0,50 1 0,50 0,25 2 0,67 0,50 2 0,67 0,50 5 Fibrosis Paru 2 0,67 0,40 1 0,50 0,20 2 0,67 0,40 2 0,67 0,40 6 Displasia Bronkopulmoner 2 0,67 0,33 1 0,50 0,17 2 0,67 0,33 2 0,67 0,33 7 TBC 3 1,00 0,43 2 1,00 0,29 3 1,00 0,43 3 1,00 0,43
Query 2 R1 3
R2 3
R3 3
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 2 Asma 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 1 0,33 0,50 3 Displasia Bronkopulmoner 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 1 0,33 0,33 4 Silikosis 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 1 0,33 0,25 5 Asbestosis 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 1 0,33 0,20 6 TBC 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 2 0,67 0,33
Query 3 R1 2
R2 2
R3 2
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,33 1,00 2 Silikosis 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 2 0,67 1,00 3 Asbestosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 3 1,00 1,00 4 Displasia Bronkopulmoner 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 3 1,00 0,75
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
200
5 Fibrosis Paru 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 3 1,00 0,60 6 Bronkiolitis 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50 7 Asma 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43
Query 4 R1 2
R2 2
R3 2
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asma 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 Displasia Bronkopulmoner 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 3 Bronkiolitis 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 4 Fibrosis Paru 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 5 TBC 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40
Query 5 R1 3
R2 4
R3 3
R4 4
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asma 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 Displasia Bronkopulmoner 1 0,33 0,33 1 0,25 0,33 1 0,33 0,33 1 0,25 0,33 4 Silikosis 1 0,33 0,25 2 0,50 0,50 1 0,33 0,25 2 0,50 0,50 5 Asbestosis 1 0,33 0,20 3 0,75 0,60 1 0,33 0,20 3 0,75 0,60 6 Fibrosis Paru 2 0,67 0,33 3 0,75 0,50 2 0,67 0,33 3 0,75 0,50 7 TBC 3 1,00 0,43 4 1,00 0,57 3 1,00 0,43 4 1,00 0,57
Query 6 R1 3
R2 3
R3 3
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asbestosis 1 0,33 0,50 1 0,33 0,50 1 0,33 0,50 1 0,50 0,50
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
201
3 Silikosis 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 2 1,00 0,67 4 Fibrosis Paru 3 1,00 0,75 3 1,00 0,75 3 1,00 0,75 2 1,00 0,50 5 Asma 3 1,00 0,60 3 1,00 0,60 3 1,00 0,60 2 1,00 0,40 6 Displasia Bronkopulmoner 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 2 1,00 0,33 7 TBC 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 2 1,00 0,29
Query 7 R1 2
R2 2
R3 3
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Silikosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asbestosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 Bronkiolitis 1 0,50 0,33 1 0,50 0,33 1 0,33 0,33 1 0,50 0,33 4 TBC 1 0,50 0,25 1 0,50 0,25 2 0,67 0,50 1 0,50 0,25 5 Asma 2 1,00 0,40 2 1,00 0,40 3 1,00 0,60 2 1,00 0,40 6 Fibrosis Paru 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50 2 1,00 0,33 7 Displasia Bronkopulmoner 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43 2 1,00 0,29
Query 8 R1 1
R2 1
R3 1
R4 1
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asma 1 1,00 0,50 1 1,00 0,50 1 1,00 0,50 1 1,00 0,50 3 TBC 1 1,00 0,33 1 1,00 0,33 1 1,00 0,33 1 1,00 0,33 4 Displasia Bronkopulmoner 1 1,00 0,25 1 1,00 0,25 1 1,00 0,25 1 1,00 0,25 5 Silikosis 1 1,00 0,20 1 1,00 0,20 1 1,00 0,20 1 1,00 0,20 6 Asbestosis 1 1,00 0,17 1 1,00 0,17 1 1,00 0,17 1 1,00 0,17
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
202
Query 9 R1 2
R2 2
R3 3
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asbestosis 1 0,50 1,00 1 0,50 1,00 1 0,33 1,00 1 0,33 1,00 2 TBC 1 0,50 0,50 1 0,50 0,50 1 0,33 0,50 1 0,33 0,50 3 Silikosis 2 1,00 0,67 2 1,00 0,67 2 0,67 0,67 2 0,67 0,67 4 Displasia Bronkopulmoner 2 1,00 0,50 2 1,00 0,50 2 0,67 0,50 2 0,67 0,50 5 Bronkiolitis 2 1,00 0,40 2 1,00 0,40 2 0,67 0,40 2 0,67 0,40 6 Asma 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50 3 1,00 0,50 7 Fibrosis Paru 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43 3 1,00 0,43
Query 10 R1 3
R2 3
R3 3
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asbestosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Silikosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 Fibrosis Paru 1 0,33 0,33 1 0,33 0,33 1 0,33 0,33 1 0,33 0,33 4 Displasia Bronkopulmoner 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 5 Bronkiolitis 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 6 TBC 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 7 Asma 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43
Query 11 R1 3
R2 3
R3 3
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Silikosis 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 2 Asbestosis 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 3 Displasia Bronkopulmoner 3 1,00 1,00 3 1,00 1,00 3 1,00 1,00 3 1,00 1,00 4 Fibrosis Paru 3 1,00 0,75 3 1,00 0,75 3 1,00 0,75 3 1,00 0,75 5 TBC 3 1,00 0,60 3 1,00 0,60 3 1,00 0,60 3 1,00 0,60
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
203
6 Bronkiolitis 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 7 Asma 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43
Query 12 R1 3
R2 4
R3 3
R4 4
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Displasia Bronkopulmoner 1 0,33 1,00 1 0,25 1,00 1 0,33 1,00 1 0,25 1,00 2 Asma 2 0,67 1,00 2 0,50 1,00 2 0,67 1,00 2 0,50 1,00 3 Asbestosis 2 0,67 0,67 2 0,50 0,67 2 0,67 0,67 2 0,50 0,67 4 Silikosis 2 0,67 0,50 2 0,50 0,50 2 0,67 0,50 2 0,50 0,50 5 TBC 2 0,67 0,40 3 0,75 0,60 2 0,67 0,40 3 0,75 0,60 6 Fibrosis Paru 3 1,00 0,50 4 1,00 0,67 3 1,00 0,50 4 1,00 0,67 7 Bronkiolitis 3 1,00 0,43 4 1,00 0,57 3 1,00 0,43 4 1,00 0,57
Query 13 R1 2
R2 2
R3 3
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Silikosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asbestosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 Displasia Bronkopulmoner 0 0,00 0,00 0 0,00 0,00 1 0,33 0,33 0 0,00 0,00 4 Asma 1 0,50 0,25 1 0,50 0,25 2 0,67 0,50 1 0,50 0,25 5 Fibrosis Paru 2 1,00 0,40 2 1,00 0,40 2 0,67 0,40 2 1,00 0,40 6 Bronkiolitis 2 1,00 0,33 2 1,00 0,33 2 0,67 0,33 2 1,00 0,33 7 TBC 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43 2 1,00 0,29
Query 14 R1 3
R2 3
R3 3
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Displasia Bronkopulmoner 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
204
2 TBC 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 3 Asbestosis 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 4 Silikosis 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 5 Fibrosis Paru 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 6 Bronkiolitis 2 0,67 0,33 2 0,67 0,33 2 0,67 0,33 2 0,67 0,33 7 Asma 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43
Query 15 R1 3
R2 2
R3 2
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Displasia Bronkopulmoner 1 0,33 1,00 1 0,50 1,00 1 0,50 1,00 1 0,33 1,00 2 Asma 2 0,67 1,00 1 0,50 0,50 2 1,00 1,00 2 0,67 1,00 3 Bronkiolitis 2 0,67 0,67 1 0,50 0,33 2 1,00 0,67 2 0,67 0,67 4 Silikosis 2 0,67 0,50 1 0,50 0,25 2 1,00 0,50 2 0,67 0,50 5 Asbestosis 2 0,67 0,40 1 0,50 0,20 2 1,00 0,40 2 0,67 0,40 6 TBC 3 1,00 0,50 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50
Query 16 R1 2
R2 2
R3 2
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Fibrosis Paru 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 Asbestosis 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 3 Silikosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 4 TBC 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 5 Bronkiolitis 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 6 Displasia Bronkopulmoner 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 7 Asma 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
205
Query 17 R1 2
R2 2
R3 2
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Fibrosis Paru 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 TBC 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 3 Silikosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 4 Asbestosis 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 5 Bronkiolitis 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 6 Asma 1 0,50 0,17 1 0,50 0,17 1 0,50 0,17 1 0,50 0,17 7 Displasia Bronkopulmoner 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29
Query 18 R1 1
R2 1
R3 1
R4 1
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 1,00 1,00 1 1,00 1,00 1 1,00 1,00 1 1,00 1,00 2 Fibrosis Paru 1 1,00 0,50 1 1,00 0,50 1 1,00 0,50 1 1,00 0,50 3 Silikosis 1 1,00 0,33 1 1,00 0,33 1 1,00 0,33 1 1,00 0,33 4 Asbestosis 1 1,00 0,25 1 1,00 0,25 1 1,00 0,25 1 1,00 0,25 5 Bronkiolitis 1 1,00 0,20 1 1,00 0,20 1 1,00 0,20 1 1,00 0,20 6 Displasia Bronkopulmoner 1 1,00 0,17 1 1,00 0,17 1 1,00 0,17 1 1,00 0,17 7 Asma 1 1,00 0,14 1 1,00 0,14 1 1,00 0,14 1 1,00 0,14
Query 19 R1 2
R2 2
R3 2
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 Bronkiolitis 2 1,00 1,00 2 1,00 1,00 2 1,00 1,00 2 1,00 1,00 3 Asbestosis 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 4 Silikosis 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 5 Fibrosis Paru 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
206
6 Displasia Bronkopulmoner 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 7 Asma 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29
Query 20 R1 2
R2 3
R3 2
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,50 1,00 1 0,33 1,00 1 0,50 1,00 1 0,33 1,00 2 Displasia Bronkopulmoner 1 0,50 0,50 1 0,33 0,50 1 0,50 0,50 1 0,33 0,50 3 Silikosis 1 0,50 0,33 1 0,33 0,33 1 0,50 0,33 1 0,33 0,33 4 Asbestosis 1 0,50 0,25 1 0,33 0,25 1 0,50 0,25 1 0,33 0,25 5 Fibrosis Paru 1 0,50 0,20 1 0,33 0,20 1 0,50 0,20 1 0,33 0,20 6 Asma 2 1,00 0,33 2 0,67 0,33 1 0,50 0,17 2 0,67 0,33 7 Bronkiolitis 2 1,00 0,29 3 1,00 0,43 2 1,00 0,29 3 1,00 0,43
Query 21 R1 2
R2 2
R3 2
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 Silikosis 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 3 Asbestosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 4 Bronkiolitis 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 5 Fibrosis Paru 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 6 Displasia Bronkopulmoner 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
207
Lampiran 9 Hasil Perhitungan Precision Semua Responden (EBM)
Query 1 R1 3
R2 2
R3 3
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 1 0,33 1,00 1 0,50 1,00 1 0,33 1,00 1 0,33 1,00 2 Asma 2 0,67 1,00 1 0,50 0,50 2 0,67 1,00 2 0,67 1,00 3 Asbestosis 2 0,67 0,67 1 0,50 0,33 2 0,67 0,67 2 0,67 0,67 4 Silikosis 2 0,67 0,50 1 0,50 0,25 2 0,67 0,50 2 0,67 0,50 5 Displasia Bronkopulmoner 2 0,67 0,40 1 0,50 0,20 2 0,67 0,40 2 0,67 0,40 6 Fibrosis Paru 2 0,67 0,33 1 0,50 0,17 2 0,67 0,33 2 0,67 0,33 7 TBC 3 1,00 0,43 2 1,00 0,29 3 1,00 0,43 3 1,00 0,43
Query 2 R1 3
R2 3
R3 3
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 2 Asma 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 1 0,33 0,50 3 Asbestosis 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 1 0,33 0,33 4 Silikosis 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 1 0,33 0,25 5 Displasia Bronkopulmoner 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 1 0,33 0,20 6 TBC 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 2 0,67 0,33
Query 3 R1 2
R2 2
R3 2
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,33 1,00 2 Asbestosis 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 2 0,67 1,00 3 Silikosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 3 1,00 1,00 4 Fibrosis Paru 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 3 1,00 0,75
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
208
5 Displasia Bronkopulmoner 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 3 1,00 0,60 6 Bronkiolitis 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50 7 Asma 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43
Query 4 R1 2
R2 2
R3 2
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asma 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 Bronkiolitis 2 1,00 1,00 2 1,00 1,00 2 1,00 1,00 2 1,00 1,00 3 Displasia Bronkopulmoner 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 4 Fibrosis Paru 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 5 TBC 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40
Query 5 R1 3
R2 4
R3 3
R4 4
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asma 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 TBC 1 0,33 0,33 1 0,25 0,33 1 0,33 0,33 1 0,25 0,33 4 Fibrosis Paru 2 0,67 0,50 1 0,25 0,25 2 0,67 0,50 1 0,25 0,25 5 Asbestosis 2 0,67 0,40 2 0,50 0,40 2 0,67 0,40 2 0,50 0,40 6 Silikosis 2 0,67 0,33 3 0,75 0,50 2 0,67 0,33 3 0,75 0,50 7 Displasia Bronkopulmoner 3 1,00 0,43 4 1,00 0,57 3 1,00 0,43 4 1,00 0,57
Query 6 R1 3
R2 3
R3 3
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Asbestosis 1 0,33 0,50 1 0,33 0,50 1 0,33 0,50 1 0,50 0,50
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
209
3 Silikosis 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 2 1,00 0,67 4 Asma 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 2 1,00 0,50 5 Fibrosis Paru 3 1,00 0,60 3 1,00 0,60 3 1,00 0,60 2 1,00 0,40 6 Displasia Bronkopulmoner 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 2 1,00 0,33 7 TBC 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 2 1,00 0,29
Query 7 R1 2
R2 2
R3 3
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Bronkiolitis 1 0,50 1,00 1 0,50 1,00 1 0,33 1,00 1 0,50 1,00 2 Asbestosis 1 0,50 0,50 1 0,50 0,50 1 0,33 0,50 1 0,50 0,50 3 Silikosis 1 0,50 0,33 1 0,50 0,33 1 0,33 0,33 1 0,50 0,33 4 Asma 2 1,00 0,50 2 1,00 0,50 2 0,67 0,50 2 1,00 0,50 5 TBC 2 1,00 0,40 2 1,00 0,40 3 1,00 0,60 2 1,00 0,40 6 Fibrosis Paru 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50 2 1,00 0,33 7 Displasia Bronkopulmoner 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43 2 1,00 0,29
Query 8 R1 1
R2 1
R3 1
R4 1
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asma 1 1,00 1,00 1 1 1 1 1,00 1,00 1 1,00 1,00 2 Bronkiolitis 1 1,00 0,50 1 1 0,5 1 1,00 0,50 1 1,00 0,50 3 Displasia Bronkopulmoner 1 1,00 0,33 1 1 0,3333333 1 1,00 0,33 1 1,00 0,33 4 TBC 1 1,00 0,25 1 1 0,25 1 1,00 0,25 1 1,00 0,25 5 Asbestosis 1 1,00 0,20 1 1 0,2 1 1,00 0,20 1 1,00 0,20 6 Silikosis 1 1,00 0,17 1 1 0,1666667 1 1,00 0,17 1 1,00 0,17
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
210
Query 9 R1 2
R2 2
R3 3
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asbestosis 1 0,50 1,00 1 0,50 1,00 1 0,33 1,00 1 0,33 1,00 2 Silikosis 2 1,00 1,00 2 1,00 1,00 2 0,67 1,00 2 0,67 1,00 3 TBC 2 1,00 0,67 2 1,00 0,67 2 0,67 0,67 2 0,67 0,67 4 Bronkiolitis 2 1,00 0,50 2 1,00 0,50 2 0,67 0,50 2 0,67 0,50 5 Displasia Bronkopulmoner 2 1,00 0,40 2 1,00 0,40 2 0,67 0,40 2 0,67 0,40 6 Asma 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50 3 1,00 0,50 7 Fibrosis Paru 2 1,00 0,29 2 1,00 0,29 3 1,00 0,43 3 1,00 0,43
Query 10 R1 3
R2 3
R3 3
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asbestosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 2 Silikosis 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 0 0,00 0,00 3 Fibrosis Paru 1 0,33 0,33 1 0,33 0,33 1 0,33 0,33 1 0,33 0,33 4 TBC 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 5 Bronkiolitis 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 6 Displasia Bronkopulmoner 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 7 Asma 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43
Query 11 R1 3
R2 3
R3 3
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Silikosis 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 2 Asbestosis 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 3 Fibrosis Paru 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 4 TBC 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 5 Displasia Bronkopulmoner 3 1,00 0,60 3 1,00 0,60 3 1,00 0,60 3 1,00 0,60
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
211
6 Asma 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 3 1,00 0,50 7 Bronkiolitis 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43
Query 12 R1 3
R2 4
R3 3
R4 4
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Displasia Bronkopulmoner 1 0,33 1,00 1 0,25 1,00 1 0,33 1,00 1 0,25 1,00 2 Asma 2 0,67 1,00 2 0,50 1,00 2 0,67 1,00 2 0,50 1,00 3 Asbestosis 2 0,67 0,67 2 0,50 0,67 2 0,67 0,67 2 0,50 0,67 4 Silikosis 2 0,67 0,50 2 0,50 0,50 2 0,67 0,50 2 0,50 0,50 5 TBC 2 0,67 0,40 3 0,75 0,60 2 0,67 0,40 3 0,75 0,60 6 Fibrosis Paru 3 1,00 0,50 4 1,00 0,67 3 1,00 0,50 4 1,00 0,67 7 Bronkiolitis 3 1,00 0,43 4 1,00 0,57 3 1,00 0,43 4 1,00 0,57
Query 13 R1 2
R2 2
R3 3
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Asbestosis 0 0,00 0,00 0 0 0 0 0,00 0,00 0 0,00 0,00 2 Silikosis 0 0,00 0,00 0 0 0 0 0,00 0,00 0 0,00 0,00 3 Displasia Bronkopulmoner 0 0,00 0,00 0 0 0 1 0,33 0,33 0 0,00 0,00 4 Asma 1 0,50 0,25 1 0,5 0,25 2 0,67 0,50 1 0,50 0,25 5 Fibrosis Paru 2 1,00 0,40 2 1 0,4 2 0,67 0,40 2 1,00 0,40 6 TBC 2 1,00 0,33 2 1 0,3333333 3 1,00 0,50 2 1,00 0,33 7 Bronkiolitis 2 1,00 0,29 2 1 0,2857143 3 1,00 0,43 2 1,00 0,29
Query 14 R1 3
R2 3
R3 3
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Displasia Bronkopulmoner 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00 1 0,33 1,00
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
212
2 TBC 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 2 0,67 1,00 3 Asbestosis 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 2 0,67 0,67 4 Silikosis 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 2 0,67 0,50 5 Fibrosis Paru 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 2 0,67 0,40 6 Bronkiolitis 2 0,67 0,33 2 0,67 0,33 3 1,00 0,50 3 1,00 0,50 7 Asma 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43 3 1,00 0,43
Query 15 R1 3
R2 2
R3 2
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Displasia Bronkopulmoner 1 0,33 1,00 1 0,50 1,00 1 0,50 1,00 1 0,33 1,00 2 Asma 2 0,67 1,00 1 0,50 0,50 2 1,00 1,00 2 0,67 1,00 3 Bronkiolitis 2 0,67 0,67 1 0,50 0,33 2 1,00 0,67 2 0,67 0,67 4 Asbestosis 2 0,67 0,50 1 0,50 0,25 2 1,00 0,50 2 0,67 0,50 5 Silikosis 2 0,67 0,40 1 0,50 0,20 2 1,00 0,40 2 0,67 0,40 6 TBC 3 1,00 0,50 2 1,00 0,33 2 1,00 0,33 3 1,00 0,50
Query 16 R1 2
R2 2
R3 2
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Fibrosis Paru 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 TBC 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 3 Asbestosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 4 Silikosis 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 5 Asma 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 6 Displasia Bronkopulmoner 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 7 Bronkiolitis 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
213
Query 17 R1 2
R2 2
R3 2
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 Fibrosis Paru 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 TBC 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 3 Asbestosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 4 Silikosis 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 1 0,50 0,25 5 Bronkiolitis 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 1 0,50 0,20 6 Asma 1 0,50 0,17 1 0,50 0,17 1 0,50 0,17 1 0,50 0,17 7 Displasia Bronkopulmoner 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29
Query 18 R1 1
R2 1
R3 1
R4 1
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 1,00 1,00 1 1,00 1,00 1 1,00 1,00 1 1,00 1,00 2 Fibrosis Paru 1 1,00 0,50 1 1,00 0,50 1 1,00 0,50 1 1,00 0,50 3 Asbestosis 1 1,00 0,33 1 1,00 0,33 1 1,00 0,33 1 1,00 0,33 4 Silikosis 1 1,00 0,25 1 1,00 0,25 1 1,00 0,25 1 1,00 0,25 5 Bronkiolitis 1 1,00 0,20 1 1,00 0,20 1 1,00 0,20 1 1,00 0,20 6 Displasia Bronkopulmoner 1 1,00 0,17 1 1,00 0,17 1 1,00 0,17 1 1,00 0,17 7 Asma 1 1,00 0,14 1 1,00 0,14 1 1,00 0,14 1 1,00 0,14
Query 19 R1 2
R2 2
R3 2
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 Asbestosis 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 1 0,50 0,50 3 Silikosis 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 1 0,50 0,33 4 Bronkiolitis 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 5 Fibrosis Paru 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
214
6 Displasia Bronkopulmoner 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 7 Asma 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29 2 1,00 0,29
Query 20 R1 2
R2 3
R3 2
R4 3
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,50 1,00 1 0,33 1,00 1 0,50 1,00 1 0,33 1,00 2 Displasia Bronkopulmoner 1 0,50 0,50 1 0,33 0,50 1 0,50 0,50 1 0,33 0,50 3 Asbestosis 1 0,50 0,33 1 0,33 0,33 1 0,50 0,33 1 0,33 0,33 4 Silikosis 1 0,50 0,25 1 0,33 0,25 1 0,50 0,25 1 0,33 0,25 5 Fibrosis Paru 1 0,50 0,20 1 0,33 0,20 1 0,50 0,20 1 0,33 0,20 6 Asma 2 1,00 0,33 2 0,67 0,33 1 0,50 0,17 2 0,67 0,33 7 Bronkiolitis 2 1,00 0,29 3 1,00 0,43 2 1,00 0,29 3 1,00 0,43
Query 21 R1 2
R2 2
R3 2
R4 2
no Dok R Recall Precission R Recall Precission R Recall Precission R Recall Precission 1 TBC 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 1 0,50 1,00 2 Bronkiolitis 2 1,00 1,00 2 1,00 1,00 2 1,00 1,00 2 1,00 1,00 3 Asbestosis 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 2 1,00 0,67 4 Silikosis 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 2 1,00 0,50 5 Fibrosis Paru 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 2 1,00 0,40 6 Displasia Bronkopulmoner 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33 2 1,00 0,33
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
215
Lampiran 10 Tabel Interpolasi Semua Query (PM)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
216
Lampiran 11 Tabel Interpolasi Semua Query (VSM)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
217
Lampiran 12 Tabel Interpolasi Semua Query (EBM)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI