ISSN: 1411-107'

PRO S D N G

SNIKTI VSeminar Nasional Ilmu Komputer dan Teknologi Informasi V

Vol. V No, 1 September 2004

Aula Matematika - FMIPA IPS, 2-3 September 2004

DEPARTEMEN ILMU KOMPUTER - FMIPAINSTITUT PERTANIAN BOGaR

•

SEMINAR NASIONAL ILMU KOMPUTER DAN TEKNOLOGI INFORMASI V 1004

DAFTARISI

Kata Pengantar 1

Sambutan Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam E"JB . 11

Susunan Panitia 111

Susunan Acara ,..... IV

Jadwal Penyajian Makalah V

Daftar Makalah ,...................................................... Xl

KATAPENGANTAR

Dengan mengucap syukur ke hadirat Allah SWT, Departemen Ilmu KomputerFakultas Matematika dan Ilmu Pengetahuan Alam IPB mengadakan Seminar NasionalIlmu Komputer dan Teknologi Informasi 2004 (SNIKTI-2004) pada tanggal 2 - 3September 2004 di Kampus JPB Baranangsiang Bogor. Seminar ini merupakankegiatan rutin dari Indonesian Society on Computer and Information Sciences (leIS).Pada kesempatan ini bekerja sama dengan Departemen Ilmu Komputer IPB.

Pada seminar ini Panitia menerima 87 makalah penelitian dari beberapainstitusi pendidikan tinggi seperti IPB, ITB, ITS, UI, Univ. Petra Surabaya, STT.Telkom Bandung, Univ. Pancasila , dan lain-lain. Setelah dievaluasi, 58 makalahditerima untuk dipresentasikan dan dibukukan dalam bentuk presiding dengan ISSN: 1411 - 1071.

Panitia menyampaikan penghargaan setinggi-tingginya kepada keynotespeaker, para pemakalah dan peserta yang telah hadir dalam acara seminar ini,sehingga dapat memberikan kontribusi yang tidak ternilai. Selanjutnya kepada pihak-pihak yang membantu sehingga acara ini dapat berlangsung dengan lancar kamiucapkan banyak terima kasih. Kemudian bila di dalam proses awal sampaiterselenggaranya acara ini terdapat kesalahan atau hal-hal yang kurang berkenan,maka atas nama panitia kami mahan maaf sebesar-besarnya.

Bogor, September 2004

If. Agus Buono, M.Si., M.Komp.Penanggung Jawab SNIKTI V 2004

SAM BUrANDEKAN FAKVLTAS MATEMATIKA DAN lLMU PENGETAHUAN ALAM

INST1TUT PERTANIAN BOGaR

Assalamu 'alaikum 'Wr. Wb.Pertama-tama marilah kita panjatkan puji syukur ke hadirat Allah SWT -

Tuhan Yang Mahakuasa, dimana hanya karena rahmat dan hidayahNya maka SeminarNasional Ilmu Komputer dan Teknologi Informasi 2004 (SNIKTI-2004) ini dapatterselenggara dengan baik. Saya ucapkan selamat datang kepada semua pemakalahdan peserta SNIKTI-2004 di Institut Pertanian Bogor.

SNIKTI·2004 terselenggara atas kerja sama antara Departemen IImuKomputer IPB d.engan Masyarakat Ilmu Komputer dan Informasi Indonesia (atauyang lebih deikenal dengen sebutan leIS - Indonesian Society on Computer andInformation Sciences) yang berpusat di Fakultas Ilmu Komputer UI. SNlKTI inimerupakan kegiatan seminar nasional ke-5 . Topik yang dipresentasikan mencakupmateri yang terkait dengan hidang ill1111kornputcr dan tcknologi informasi besertaaplikasinya. Dengan cakupan materi ini diharapkan partisipan kegiatan SNIKTIberasal dari kalangan peneiiti, akademisi dan praktisi.

Forum ini diharapkan dapat dimanfaatkan untuk diseminasi hasil penelitianteknologi infonnasi. Selain itu seminar ini dapat menjadi wahana untuk berdiskusidan berkomunikasi serta untuk meningkatkan kerjasama antar peneliti dan praktisi.

Akhirnya, perkenankanlah saya sampaikan terirna kasih yang scbesar-besarnyakepada semua pihak yang telah rncndukung suksesnya penyelenggaraan SNIKTI-2004, terutama sekali kepada komitc pelaksana dan program, para sponsor, dan pihak-pihak lain yang secara langsung maupun tidak langsung telah ikut memberikan andilbagi terselenggaranya SNIKTI 2004, Semoga bantuan dan amal baiknya akanmendapat ganti yang jauh lebih baik dari Allah SWT. Semoga kegiatan seminarnasional ini akan mernberikan manfaat yang sebesar-besamya bagi semua pihak yangmemerlukan.

Wassalarnu 'alaikum Wr. Wb.Dr. Ir. Yonny Kcesmaryono, MS.

11

SEMINAR NASIONAL ILMU KOMPUTER DAN TEKNOLOGI INFORMASI V 2004

SUSUNAN PANITIA

Penanggung Jawab• Ir. Agus Buono M.St. Mkomp (IPB)• Dr. Benyamin Kusumoputro (DI)

Komite Program• Prof. Marimin (IPB)• Dr. Kudang Boro Seminar (IPB)• Dr. Sugi Guritman (IPB)• Dr. Zainal A Hasibuan (UI)• Dr. Aniati Mumi (Ul)• Dr. Bobby AA. Nazief (UI)• Dr. T. Basaruddin (UI)• Dr. Iping Supriana (lTB)• Dr. Jazi Eko Istiyanto (UGM)

Ketua PelaksanaYeni Herdiyeni, S.Komp

Komite Pelaksana• Ir. Meuthia Rachmaniah, MSc• Ir. Julio Adisantoso, Mkom• Yani Nurhadryani, S.Si, '\1T• Rindang Karyadin, S.Si, MKom• Shelvie Nidya Neyman, S.Komp• Agus Pudjijono, S.Komp• Wisnu Ananta, S.Si, MT• Imas S. Sitanggang, S.Si, Mkomp• Armisa, S.Komp• Panji Wasmana, S'.Komp• Firman Ardiansyah, S.Komp• Ahmad Ridha, S.Komp• Hari AgW1g,S.Komp• Drs. Prabowo• Gage, AMd

Hi

SEMINAR NASIONAL [LMU KOMPUTER DAN TEKNOLOGI INFORMASI V 2004

SlJSUNAN ACARA

Kamis,2 September 2004

09.00 -10.00 Pembukaan- Sambutan Penangguug Jawab Sl\fIKTI V- Sarnbutan Dekan FMIPA IPB

10.00 -10.15 Rehat10.30 - 11.30 Ke ote S eakcr (Dr. Benyamin Kusumu utro)11.30 - 13.00 Istirahat13.00 - 15.00 Penyajian Makalah15.00 - 15.30 Rehat15.30 - 16.50 Penyajian Makalah------~--~~---------------------------------------~

Jurn'at,3 September 2004

:i,t;tr'Y,",~~ffl,:,c;';"----I-"'~

09.00 - 10.001O.()O- 10.3010.30 -- 11.30

" Keglatan

11.30 - 13.30l3.30--1S.00__ . ._-t---i->L--

13.00 -- 15.00--.-----15.00 - 15.30

Peny~ian~JakalaL ~Penutu an

IV

_.----------

SEMINAR NASIONAL ILMU KOMPUTER DAN TEKNOLOGI INFORMASI V 2003

JADWAL PENYAJIAN MAKALAH

i KAMIS, 2 SEPTEMBER 2004

III I

\".'AKTU NO PEMAKALAH I p~PAPER JUDUL PAPER-- -- -

SESII13.00 - 13.20 35 Agus Pudjijono, Julio Adisantoso , ALGORlTME SEGMENTED DYNAMIC TIME WARPING PADA PENCARlAl'r

I Yani Nurhadryani, Ahmad Ridha AUDIO 203 V

13.20 - 13.40 54 Ahmad Ridha, Julio Adisantoso, PENGINDEKSAN OTOMATIS DENGAN ISTILAH TUNGGAL UI\TUKFahren DOKUMEN BERBAHASA INDONESIA 328 V

Bayu Wicaksana Wahyuardi, Julio TEMU KEMBALI INFORlYfASI MUSIKAL PADA BASIS DATA AUDIO13.40 -14.00 24

Adisantoso dan Fahren Bukhari MENGGlJNAKAN ALGORITMA KESA.1v1.AANSTRING BAEZA YATES-134 '.L--PERLEBERG

14.00 - 14.20 I 25 Gatot Wahyudi dan Indra Budi INDONESIAN Ni\MED ENTITY RECOGNIZER (InNER) 141I

Muhammad Erwin Ashari I

II14.20 - 14.40 10Hariyono QUERY EXP ~"lSION MENGGUNAKAN FUZZY JACCARD COEFICIENT

SEBAGAI FUNGSI FITNESS PADA PROSES RELEVANCE FEEDBACK 61

14.40 - 15.00 37 Zaino 1Arifin Hasibuan, Phd Eriza 1 PENTIEKATAN ~,lODEL PERLUASAN BOOLEAN FADA SISTEM TEMUI ~-~. ,H 1 - • -. -.' '" IKEMBALI INFORMASI DENGAN MENGGUNAKAN DOKUMEN XML 220

BREAK15.30 - 15.50 52 I PENGARUH PEMROGRAMAN GENETIKA TERHADAP EFEKTIVITAS TEMU I

Beni Irawan dan Zaina1 Hasibuan KEMBALI INFOR,,'-1ASI , 312

SEIvfINr'\l~NASIONAL ILMU KOMPUTER DAN TEKNOLOGI IN-PORMASI V 2003

15.50 -16.10 20 Budi Hartono I ANALISA TERJADINYA CIPHERTEXT TERKOMPRESI PADA KRIPTOGRAFIDENGAN ALGOFJTMA RSA 113

16.10 -16.30 8 Jajang Kavita, Fazmah ArifYulianto, Suyanto At"l"ALISISPERFORJ.'vlANSI RSA DAN ECC PADA PROTOKOL SSL 49

16.30 - 16.50 32Danny Dimas Sulistio, Bib PERBANDINGAN ALGORITMA HUFFMAN STATIK DENGAt"l" ALGORITMA ~

182 viI Paruhum Silalahi, Julio Adisantoso.- -

HUFFM.A.N ADAPTTF PADA KOMPRESI DAH·. TCKS: .. -- ----t

IISESI2

Ir. Tanika D Sofianti, MT, Tsabit APLIKASI ALGORITMA GENETIKA PADA At'l'ALOGI PERENCANAANII: 13.00 - 13.20 38 LINTASAN MOBILE ROBOT DENGAN REPRESENTASI GEN"'ETIK I

Ii Husein, ST

KOORDINAT TUIK 228

ANALISIS KINERJA METODE MODIFIED ?'.'EAREST FEATURE LINE13.20 - 13.40 1 Lina, Benyamin DALAiv1 SISTEM PENGENAL WAJAH 3-D DENGAN VARIASI JUMLAH

OBYEK 1

13.40 - 14.00 51 Adhi Hannoko S, Benyamin SISTEM PENGENALA~ CACAT PENGELASA~~ (WELD DEFECT) DENGAN IKusnmoputro MENGGUNAK.AN ANALlSIS MULTI RESOLUSI 307 I

14.00 - 14.20 5 Waskitho Wibisono, Hideto Ikeda, DESIGN OF MULTI-PURPOSE FRONT E:NTIDEVICE FOR INTEGRATED INikolaos Vogiatzis TRANSPORTATION SYSTEMS 26

14.20 - 14.40 Agus Buono, Sugi Guritrnan,PERBANDINGAN BEBERAPA METODE FTLTERlSASI CITRA DAN DETEKSJmuhidin SusantoCANNY PADA SEGMENTASI OTOMATIS CITRA SIDIK JARI 346

14.40 - 15.00 22 Dade Nmjanah APLIKASI PENGELOLA ONTOLOGI PENGETAHUAN PADA SISTEMTUTORIAL BERINTElEGENSIA 124

BREAK I15.30 - 15.50 18 BudiAswoyo APLIKASI ALGORITlvLt\ GENETlKA DALAM SINTESA POLA RADIASI

OPTIMUM BERBASIS ANTENA ARRA Y 104

15.50 -16.10 36 Andino Maseleno PEMBANGUNAN SISTEM PAKAR PADA PERANGKA T MOBILE DENGANMENGGUNAKANJ2MEDANPHP 214

16.10 - 16.30 I 43Thiang, Indar Sugiarto, Hendrik KONTROL KECEPATAN MOTOR DC DENGA.N MENGGUNAKANChandra JARINGANSARAFTffiUAN 256

VI

SEMINAR NASIONAL ILMU KOMPUTER bAN TEKNOLOGI INFORMASI V 2003

PENGEMBANGAN METODE PENENTUAN BOBOT AWAL JARINGAN16.30 - 16.50 49 Teguh Pribadi Arsyad, B. NEURAL FUZZY-LVQ DALAM RUANG EIGEN UNTUK PENINGKATAN

Kusumoputro , DERAJAT PENGENALAN AROMA 3 CAMPURAN 293

SESI3COMPUTER-MEDIATED LEARNING DENGAN PENDEKATAN

13.00 - 13.20 48 COLLABORATIVE LEAlTh'ING DAN PROBLEM BASED LEARNING: STUDIHarry B. Santoso dan Indra Budi KASUS CML UNIVERSITAS INDONESIA 288

13.20 -13.40 26 Teguh Prihatmono DISTRIBUSI QUERY PADA DBMS MYSQL MEMANFAA TKAN SISTEMREPLIKASI 149

13.40 - 14.00 I 39 Budi Sutedjo Dharma Octomo &.KESIAP AN PERGURUAN TINGGI DI DAERAH ISTIMEW A YOGYAKARTAi R. Gunawan Santosai UNTUK ME1\'YELENGGARAKAN LAYANAN E-EDUCATION 233

II

Taufik Djatna dan Albertus14.00 - 14.20 I 30 SISTEM INFORMASI BERBASIS SMS/GSM UNTUK PENJADW ALAN,Reinandang

PENENTUAN .TALURDAN PENGELOLAAN SAMP AH PADAT PERKOT AAN 172

14.20 - 14.40 I 47 I Resmana Lim, Arthur Franklin, SISTEM AKSES FASILITAS PENDAFTARAN RENCANA STUDI DANI Agustinus N JADW AL UJIAN MAHASISW A VIA SMS 279 I, AbdullahEmbong, Zulikha

114.40 - 15.00 I 58 Jamaluddin MANAGEMENT OF IN"FORMATION THROUGH AN INTERACTIVE VOICE IRESPONSE SYSTEM THE PROSPECT OF RELIGIOUS DOMAIN 351

BREAK15.30-15.50 I Wikan Danar Sunindyo, Rakhmat

16 Aji Jauhari, Isman Hidayat VIRTUAL OFFICE SEBAGAI PENERAP AN COMPUTER-SUPPORTEDI Suryaman COOPER ATIVF \VORK (CSCW) 94

! 15.50-16.10 I : Dr. Muhammad Zarlis, M. Kom I

19 dan Rahmat Widia Sembiring, SE.M.Sc.IT MEMBANGUN TRUST SEBAGAI KUNCI KEBERHASILAN E-COMMERCE 110

16.10 -16.30 55 Rira Laksrniwati, Ir. MSc. EKSPLORASI METODOLOGI PEMBANGUNAN DATA MART 336I I

I...... ... ........

VlI

SEMINA.R ~ASIONAL ILMU KOMFUTER DAN TEKNOLOGI INFORMASI V 2003

-T ---

SESI413.00 - 13.20 23 Jazi Eko Istiyanto dan Nurhayati

1Masthurah K01'-'FIGtTRASI SECURITY POLICY SELINUX 130

13.20 - 13.40 9 Denny Restria Widaryanto, Fazmah I SISTEM PENDETEKSI PERANGKAT KERA.8 KOMPUTER MELALUI I I1 , Arif Yulianto, Sri Widowati i ;AIUNGA;--I _ 55_1

Novala Panala, Tutunluhana, EVALUASI PERFOR1-1i'l.NCr::SCTP SEBAGAI PROTOKOL 'TR"'-l-;SPORT I13.40 - 14.00 53

Hendrawan SS70VERIP 318

14.00 - 14.20 14 Hany Ferdinanda MEMBANGUN SISTEM FAULT TOLERANTPADA FIELDBUS UNTUKI APLIKASI SISTEM TERDISTRlBUSI 84 1

14.20 - 14.40 45 Fatilah, Iwan Syarif A.PLIKASI ALGOPJTtvL\ NAIVE BAYES UNTUK PENDEfEKSIAN ThiRDSI IIIPADA SISTEM JARINGAN KOMPUTEk I 267

BREAK II

15.30 - 15.50 50 Wisnu M Suryaningrat, Rizal F Aji KEBlJTlTHAN INFRASTRL'KTUR PERPUSTAKAAN DIJITAL I 301

15.50 - 16.10 42 Dwi Handoko IMPLEMENt ASI BLOCK MATCHING MOTION VECTOR ESTIMATION!DALAM KOMPUTER KLASTER 252 1

16.10 - 16.30 34 Hero Suhartanto dan Jimmy PENERJEMAH KODE NUMERIK FORTRAN KE JAVA I 199 II-- -- .__ ..- - - -- ..- -

JUMAT, 3 SEPTEMBER 2004I

NO fEMAKALAH JUDUL I HALWAKTU PAPER 1 PAPER

SESll13.30 - 13.50 3 Muhanunad Arief

CONFLICT RESOLUTION DALAM FORMALISASI BUREAUCRATIC RULE 13

PENGEMBANGAN HYBRID ALGORITMA GENETIKA SIMULATED

I13.50-14.10 13 Arna Fariza, Achrnad Basuki ANNEALING PADA PERAMALAN TIME SERIES DENGAN KLASIFIKASIDATABERDASARKANTREND 79____.L- ---_ ...... -- - --- ------------------------_ ..-

Vlll

SEMINAR NASIONAL ILMU KOMPUTER DAN TEKNOLOGI INFORMASI V 2003

14.10 - 14.30 12 Budi 1. Setiawan, Krissandi Wijaya,APLIKASI JARINGAN SYARAF TIRUAN UNTUK ESTlMASI DRY BULKTaku Nishimura dan RudiyantoBENSITY DAN VOLUMETRIC WATER CONTENT PADA TANAH 72

14.30 - 14.50 44 I Sarbini, Meuthia Rachmania, AgusBuono PERBANDINGAN METODE EIGEN PADA PENGENALANWAJAH 261

BREAKI REKA YASA SISTEM INFORMASI CERDAS UNTUK DIAGNOSIS DANI Taufik Djatna, Marimin, Machfud15.30 - 15.50 21 I dan Yandra . PERBAIKAN KTh'ERJA BERBASIS CUSTOMER RELATIONSHIP

MANAGEMENT (CRM) 119

TSESI213.50 - 14.10 31 Sutrisno; Samuel Lukas; Duriyanto SISTEM PENGENALAN PLAT NOMOR KENDARAAN BERMOTOR

Yusuf DENGAN MENGGUNAKAN JST 177l-

I I Baskoro Oktianto , Sugi Guritman , PENGENALANPEMBICARA DENGAN JARINGAN SYARAF TIRUAN14.10 - 14.30 2! Ahmad Ridha BACKPROPAGATION 71 VERlFIKASI SISTEM BERPARAMETER SECARA FORMAL DENGAN14.30 - 14.50 27 I Cecilia E. Nugraheni

! DIAGRAM PREDIKAT BERPARAMETER 154BREAK I

I I Ririn Dwi Agustin I15.30 - 15.50 4Q MANAJEMEN PENGETAHUAN BERBASIS ONTOLOGI UNTUK TUGASI I AKHIR MAHASISW A (STUD! KASUS DI TEKNIK INFORMA TIKA lJNPAS) 239

r- I Nila Oktavia, Marimin, Yeni PENYEMPURNAAN BASIS DATA RELASIONAL FUZZY UNTUK15.50-16.15 6 I Herdiyeni PENGUKURAN TINGKAT KEMISKINAN PENDUDUK (STUD! KASUS

PROPINSI BANTEN) 33I I I

SESI313.30 - 13.50 33 Sutrisno SISTEM BASIS DATA BITEMPORAL ATRIBlJT DINAMIS 19113.50 -14.10 29 Tricya E. Widagdo REPRESENTASI BASIS DATA TEMPORAL MODEL NON FIRST NORMAL

FORM 167

IX

SEMlNAR NASION ..u. ILMU KOMPUTER DAN TEKNOLOGI lNfORlvIASI V 2003

14.10 - 14.30Suyanto, Andhika Dwi Putera,Fazmah Arief Yulianto

KONVERSI CITRA RASTER KE CITRA VEKTOR MENGGUNAKANTRANSFORlviASI WAVELET 273

46

Andrias Hardinata, Suyanto,Fazmah AriefYulianto

STEGANOGRAPHY PADA CITRA BINER MENGGUNAKAN DETEKSI SISIMINIM1JM DISTANCE 19

14.30 - 14.50 4

BREAKil-

I SEBUA,LfTINJAUAK MENGENAI METODE ANALISIS CITRA i ~I

15.30 -15.50 56Sani Muhamad Isa HIPEKSPEKTRAL DAN APLIKASINY A I 340

~15.50 -16.15 7 Veronica S. Moertini, PENANGANfu~ ATRlBUT CITP~L\DENGAN WAVELET UNTUK !

PENGEMBANGM·; .-\LGORITIv1A C4.5 ! 43I II I I

SESI4 i II[-,--

I IMPLEMENTASI MFTODA GIS DALAM REVIS! RENCANA KAWASAN I

I1113.30- 13.50Rahmat hidayati, Achmad Basuki, I

28 Nana Ramadijanti, Arna Fariza PER.1V1UKIMANME~GGlJNAKAN GIS - GRASS (STUDl KASUS : IKABUPATEN MOJOKERTO 2013) i 160I

PENYEIvIBUl';YIAl': PESAN DALA.M DOKUMEN C1fRA DUA WAR::--JA i14.10 - 14.30 I 15 Eko Sediyono dan Daniel Yohanes IDENGAN METODE STEGANOGRAFI I 89

G.A.Putri Saptawati , dan H.B. KONSTRUKSI STRlTKTUR MODEL BAYESIAN NETWORK DARI DATAI

14.30 - 14.50 41 I

Rachmat, D.Laksana DENGAN ALGORITMA K2 DAN B I 244

BREAK15.30 - 15.50 17

Muliyadi, Indrawati, Arna Fariza, R.A.NCANG BANGl'N PERANGKAT LUNAK PE~lODELAN ANALYTICIAli Ridho Barakbah HIER.A.RKI MODEL 98

15.50 -16.15 11 Susany SopZanitMETODE PEMBAXGKITAN CHAOS UNTUK. ENK..lUPSI CITRA DIGITAL I 67

x

,,SEMINAR NASIONAL ILMU KOMPUTER DAN TEKNOLOGI INFORMiASI V 2004

DAFTAR MAK.ALAH

No Judul Makalah

2

ANALISIS KINERJA METODE MODIFIED NEAREST FEATURE LINE DALAM SISTEMPEN GENAL WAJAH 3-D DENGAN VARIASI JUMLAH OBYEK

LINA, BENYAMIN KUSUMOPUTRO

PENGENALAN PEMBICARA DENGAN JARINGAN SYARAF TIRUAN BACKPROPAGATION

BASKORO OKTIANTO , SUGI GURITMAN , AHMAD RIDHA

CONFLICT RESOLUTION DALAM FORMALISASI BUREAUCRATIC RULE3

4MUHAMMAD ARIEFSTEGANOGRAPHY PADA CITRA BINER MENGGUNA¥-.AN DETEKSI SISI MINIMUMDISTANCE

ANDRIAS HARDINATA, SUY ANTO, FAZMAH ARIEF YULIANTO

5 DESIGN OF MULTI-PURPOSE FRONT END DEVICE FOR INTEGRATEDTRANSPORTATION SYSTEMS

WASKITHO WIBISONO, HIDETO IKEDA, NIKOLAOS VOGIATZIS

6 PENYEMPURNAAN BASIS DATA RELASIONAL FUZZYUNTUK PENGUKURAN TINGKATKEMISKlNAN PENDUDUK (STUD! KASUS PROl>INSI BANTEN)

MARIMIN, YENI HERDIYENI DAN NILA OKTAVIA

7 PENANGANAN ATRIBUT CITRA DENGAN WAVELET UNTUK PENGElVIBANGANALORITMA C4.S

VERONICA S. MOERTINI

8 ANALISIS PERFORMANSI RSA DAN ECC PADA PROTOKOL SSL

JAJANG KAVITA, FAZMAH ARIF YULIANTO, SUYANTO

9 SISTEM PENDETEKSI PERANGKAT KERAS KOMPUTER MELALUI JARINGAN

DENNY RESTRIA WIDARYANTO, FAZMAH ARIF YULIANTO, SRI WIDOWA TI

10 QUERY EXPANSION .MENGGUNAKAN FUZZY ,JACCARD COEFICIENT SEBAGAI FUNGSIFITNESS PADA PROSES REU:VANCE FEIWB/\CK

MUHAMMAD ERWIN ASHAR I HARIYONO

11 METODE PEMBANGKITAN CHAOS UNT()K ENKRIPSI CITRA DIGITAL

SUSANY SOPLANIT

12 APLIKASI JARINGAN SYARAF TIRUAN UNTUK ESTI1HASI DRY BULK HENSITY DANVOLUMETRIC WATER CONTEN r PADA TANAH

13BUDI I. SETIAWAN, KRISSANDI WIJA YA, TAKU NISHIMURA DAN RUDIY ANTOPENGEMBANGAN HYJ3RID ALGORITMA GENETIKA SIMULATED ANNEALING PADA.PERAMALAN TIME SERIES DENGAN KLASIFIKASI DATA BERDASARKAN TREND

ARNA FARIZA, ACHMAD BASUKI

Hal

"7

13

]9

26

33

43

. 49

55

61

67

79

xi

SEMINAR NASIONAL lU"HJ KOMPtTT~R DAN TEKNOLOGI INFORMASI V 2004

14' MEMBANGUN SlSTEM FAULT TOLERANT PAD A FIELDllUS UNTUKAPLIKASI SISTEM 84TERDISTRIBUSI

HANY FERDINANDO

15 89PENYEMBUNYIAN PESAN DALA1"t1DOKUMEN CITRA DUA WARNA DENGAN MET ODESTEGANOGRAF[

EKO SEDIYONO, DAN DANIEL YOHANES

16 VIRTUAL OFFICE SEllA GAl I)ENERAPAN COMPUTER-SUPPORTED COOPERATIVEWORK (CSCW)

94

WIKAN DANAR SUNINDYO, RAKHMAT AJl JAUHARI, ISMAN HIDAYAT SURYAMAN

17 RANCANG BANGUN PERANGKAT LUNAK PEMODELAN ANALYTIC HIERARKI MODEL 98

MULIYADI, INDRAWATT, ARNA FARIZA, ALl RlDHO BARAKBAH

18 APLlKASI ALGORlTMA GENETIKA DALAM SINTESA POLA llADIASI OPTIMUM BERllASIS 104ANTENA ARRAY

BUDIASWOYO

19 MEMBANGUN TRUSTSEBAGAI KUNCI KEllERHASILAN E-COMMERCE 110

MUHAMMAD ZARLlS DAN RAH~1A..TWIDIA SEMBIRING

20 ANALISA TERJADINYA CIPHERTEXT TERKOMPRESI PADA KRIPTOGRAFI DENGANALGORITMA RSA

113

BUDI HARTONO

21 REKAYASA SISTEM INFORMASI CERDAS UNTUKDIAGNOSIS DANPERBAlKAN KINERJA BERBASIS CUSTOMER RELATIONSHIP MANAGEMENT (CRM)

TAUFIK DJATNA, MARIMIN, MACHFUD DAN YANDRA

119

22 APLIKASI PENGELOLA ONTOLOGI PENGET AHUAN PADA SISTEM TUTORIALBERINTELEGENSIA

124

DADE NURJANAH

23 KONFIGURASI SECURITY POLICY SELINUX 130

JAZI EKO ISTIY ANTO DAN lWRHA YATI MASTHURAH

V 24 TEMU KEMBALI INFORMASI MUSIKAL PADA BASIS DATA AUDIO MENGGUNAKAN vi· 134ALGORlTMA KESAMAAN STRING BAEZA YATES - PERLE13ERG

JULIO ADISANTOSO, FAHREN BUKHARI , DAN BAYU WICAKSANA WAHYUARDI

25 INDONESIAN NAMED ENTITY RECOGNIZER (InNER)

GATOT WAHYUDI DAN I~DRA BUDI

141

xii

SEMINAR NASIONAL ILMU KOMPUTER DAN TEKNOLOGI INFOR...\1ASI V 2004

26 DISTRIBUSI QUERY PADA DBMS MYSQL MEMANFAATKAN SISTEM REPLIKASI

TEGUH PRlHA TMONO

149

27 VERIFIKASI SISTEM BERP ARAMETER SECARA FORMAL DENGAN DIAGRAM PREDIKAT 154BERPARAMETER

CECILIA E. NUGRAHENI

28 IMPLEMENTASI METODA GIS DALAM REVISI RENCANA KAWASAN PERMUKIMANMENGGUNAKAN GIS -GRASS (STUDI KASUS :.KABUPATEN MOJOKERTO 2013)

RAHMAT HIDAYATI, ACHMAD BASUKI, NANA RAMADIJANTI, ARNA FARIZA

160

29 REPRESENTASI BASIS DATA TEMPORAL MODEL NON FIRST NORMAL 'FORM 167

TRICYA E. WIDAGDO

30 SISTEM INFORMASI BERBASIS SMS/GSM UNTUK PENJADWALAN, PENENTUAN JALURDAN PENGELOLAAN SAMPAH PADAT PERKOTAAN

172

TAUFIK DJATNA DAN ALBERTUS REINANDANG

31 SISTEM PENGENALAN PLAT NOMOR KENDARAAN BERMOTOR DENGANMENGGUNAKAN JST

177

SUTRISNO, SAMUEL LUKAS,DAN DURIY ANTO YUSUF

~8232 PERBANDINGAN ALGORITMA HUFFMAN STATIK DENGAN ALGORITMA HUFFMANADAPTIF PADA KOMPRESI DATA TEKS

BIB PARUHUM SILALAHI, JULIO ADISANTOSO, DANNY DIMAS SULISTIO

33 SISTEM BASIS DATA BITEMPORAL ATRIBUT DINAMIS 191SUTRISNO

34 PENERJEMAH KODE NUMERIK FORTRAN KE JA VA 199HERU SUHARTANTO DAN JIMMY

35 ALGORITME SEGMENTED DYNAMIC TIME WARPING PADA PENCARIAN AUDIO

AGUS PUDJIJONO, JULIO ADISANTOSO, YANl NURHADRYANT, AHMAD RlDHA

36 PEMBANGUNAN SISTEM PAKAR PAlM. PERANGKAT MOBILE DENGAN MENGGUNAKANJ2l\1E DAN PHP

214

ANDINO MASELENO

37 PENDEKATAN MODEL PERLUASAN BOOLEAN PADA SISTEM TEMU KEMBALIINFORMASI DENGAN MENGGUNAKAN DOKUMEN XML

220

ZAINAL ARIFIN HASIBUAN,PHD, ERIZAL

38 APLIKASI ALGORITMA GENETIKA PADA ANALOGII)ERENCANAAN LINTASAN MOBILE' 228ROBOTDENGAN REPRESENTASI GENETIK KOORDINAT TITIK

Xlll

SEMINAR NASIONld~ ILMU KOMPlITER DAN TEKNOLOGI INFORlvIASI V 2004

TANlKA D SOFIANTI ,TSABlT HUSEIN

39 KESIAPAN PERGURUAN TINGGI DI DAERAH ISTIMEW A YOGY AKARTA UNTUKMENYELEl\GGARAKAN LAYA.NAN E-EDeCATION

233

Bum SUTEDJO DHARMA OETOMO DAN R. GUNAWAN SANTOSA

40 MANAJEMEN FENGETAHUAN BERBASIS ONTOLOGI UNTUK TUGAS AKHIR MAHASlSWA 239(STUDI KASUS III TEKNII( INFORMATIKA lINPAS)

RIRIN DWI AGUSTIN

41 KONSTRUKSI S'fR[1KTUR MODEL HAYES IAN NI~TWORK DARI DATA DENGANALGORITMA K2 DAN B

244

G.A.PUTRI SAPTA WATI , DAN H.B. RACHMA T, D.LAKSANA

42 IMPLEMENTASI BLOCK MATCHING MOTION VECTOR ESTIMATION DALAMKOMPUTER KLASTER

252

DWIHANDOKO

43 KONTROL KECEPATAN MOTOR DC DENGAN MENGGUNAKAN JARINGAN SARAFTIRUAN

256

THIANG, INDAR SUGIARTO, HENDRIK CHANDRA

44 PERBANDINGAN METODE EIGEN PADA PENGENALAN WAJAH 261

SARBINI, MEUTHIA RACHMANIAH, AGUS BUONO

45 APUKASI ALGORlTMA NAIVE BAYES UNTUK PENDETEKSIAN INTRUSI PADA SISTEMJARINGAN KOMPUTER

267

FATILAH, IWAN SYARIF

46 KONVERSI CITRA RASTER KE CITRA VEKTOR" MENGGUNAKAN TRANSFORMASIWAVELET

273

47

SUYANTO, ANDHIKA DWI PUTERA, FAZMAH ARIEF YULIANTO

SISTEM AKSES FASILITAS PENDAFTARAN RENCANA STUDI DAN JADWAL UJIANMAHASISWA VIA SMS

279

RESMANA LIM, ,\RTHUR FRANKLIN, AGUSTTNUS N

43 COMPUTER-MEDIATED LEARNING DENGAN PENDEKATA~ COLLABORATIVELEARNING DAN lE'ROBLEM BASED LEARNING: STUDI KASUS CML UNIVERSITASINDONESIA

288

HARRY B. SANTOSO, DAN INDRA BUDI

49 PENGEMBANGAN METODE PENENTUAN BOBOT AWAL JARINGAN NEURAL FUZZY-LVQ 293DALAM RUANG F,IGEN UNTUK I'ENINGKATAN DERAJAT PENGENALAN ARO:\tIA 3CAMPURAN

B. KUSUMOPUTRO, TEGUH PRlBADJ ARSY AD

50 301KEBUTUHAN INFRASTRUKTUR PERPUSTAKAAN DIJrf AL

XIV

SEMINAR NASIONAL ILMU KOMPUTER DAN TEKNOLOGI INFORMASI V 2004

WISNU M SURYANINGRAT, RIZAL F AJI

51 SISTEM PENGENALAN CACAT PENGELASAN (WELD DEFECT) DENGAN MENGGUNAKAN 307ANALISIS MULTI RESOLUSI

52

ADHI HARMOKO S, BENYAMIN KUSUMOPUTRO

PENGARUH PEMROGRAMAN GENETIKA TERHADAPEFEKTIVITAS TEMU KEMBALIINFORMASI

312

BENI IRAWAN DAN ZAINAL HASIBUAN

53 EV ALUASI PERFORMANCE SCTP SEBAGAI PROTOKOL TRANSPORT SS70VER IP 318

NOVALAPANALA,TUTUNJUHANA,HENDRAWAN

54 PENGINDEKSAN OTOMATIS DENGAN ISTILAH TUNGGAL UNTUK DOKUMENBERBAHASA INDONESIA

328 ~

AHMAD RIDHA, JULIO ADISANTOSO, FAIIREN BUKHARI

55 EKSPLORASI METODOLOGI PEMBANGUNAN DATA MART 336

HIRA LAKSMIW ATI

56 SEBUAH TINJAUAN MENGENAI METODE ANALISIS CITRA HIPEKSPEKTRAL DANAPLIKASINYA

340

57SANI MUHAMAD ISAPERBANDINGAN BEBERAPA METODE FILTERISASI CITRA DAN DETEKSI CANNY PADASEGMENTASI OTOMATIS CITRA SIDIK JAR!

346

AGUS BUONO, SUGI GURITMAN, MUHIDIN SUSANTO

58 MANAGEMENT OF INFORMATION THROUGH AN INTERACTIVE VOICE RESPONSESYSTEM THE PROSPECT OF RELIGIOUS DOMAIN

351

ABDULLAHEMBONG, ZULIKHA JAMALUDDlN

59 PEMANFAATAN TEKNOLOGI SMS BAGI DUNIA PENDIDIKAN 360AGUNG SAPUTRA, TANIKA DEWI SOFIANTI

xv

TEMU KEMBALI INFORlV1ASI l\lUSlKAL PAD A BASIS DATA AUDIOl\IENGGUNAKAN ALGORITl\IA KESAMAAN STRING

BAEZA YATES - PERLEBERG

Julio Adisantoso *, Fahren Bukhari t, dan Bayu Wicaksana Wahyuardi ** Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor

J1.Raya Pajajaran, Bogor, Indonesiaemail: julio@fmipa.ipb.ac.id

bayu@i1komerz35.comt Departemen Matematika, FMIP A, Institut Pertanian Bogor

J1.Raya Pajajaran, Bogor, Indonesia

ABSTRAKAdanya basis data dengan tipe data audio membuat

orang membutuhkan sebuah metode baru untukmenemukernbalikan informasi tentang keberadaan sebuahlagu pada basis data, penelitian ini bertujuan untukmempelajari dan menerapkan algoritma pcncocokan stringBaeza-Yates dan Perleberg pada sebuah sistem temukembali, Percobaan dilakukan menggunakan basis datayang rnemiliki jumlah koleksi lagu berbeda (30, 40 dan50) yang terdiri dari berbagai jenis aliran tnusik. Seluruhkolcksi memiliki frekuensi 8 KHz. Percobaan yangdilakukanada 5, yaitu pengukuran waktu, perpedaanpanjang input, perbedaan posisi potongan lagu terhadaplagu asal, perubahan amplitudo input, .dan perbedaanfrekuensi input. Secara umum tujuan percobaan adalahuntuk mengetahui waktu pencarian dan pengaruh berbagaimacam perlakuan pada input terhadap hasil. Untukpengukuran waktu, dapat disimpulkan bahwa makinbanyak jumlah koleksi maka makin lama pula waktu yangdibutuhkan untuk melakukan pencarian. Untuk perbedaanpanjang input, dapat disimpulkan makin panjang durasiinput maka makin lama waktu pencariannya. Sedangkanuntuk perbedaan panjang input, input dengan panjang 30detik memiliki persentase terambil pada urutan pertamasebesar 70%, persentase kecocokan tertinggi sebesar96.68% dan persentase terambil sebesar 90%. Inputberposisi diakhir lagu rnemiliki persentase terambilsebesar 91,67%, persentase teratnbil pada urutan pertamasebesar 83,33% dan perscntase kecocokan tertinggisebesar 96,154%. Perbedaan amplitudo input tidakmemberikan pengaruh yang ekstrim pada hasil yangdiperoleh, karena perubahan amplitudo tidak mengubahbentuk suara. Perbedaan frekuensi input, mengakibatkantidak ada satu lagu pun yang terambil, karena perubahanfrekuensi mengubah bentuk suara.

Kata kunci ; Baeza Yates- Perleberg, waktupencarian, durasi, posisi input, amplitude,frekuensi.

1.PENDAHULUANBanyak orang yang mengidentifikasikan dirinya

dengan musik bukan dengan gambar. Hal ini dapat dilihatdari banyaknya orang yang mengatakan "ini laguku! It danbukan "ini gambarku! It (Francu & Nevill-Manning, 2000).Oleh karena itu musik tidak dapat dipisahkan darikehidupan seseorang.

Sesuai dengan perkembangan teknologi dewasa ini,sebuah lagu tidak hanya berbentuk kaset atau piringanhitam saja, tetapi sudah dapat dijumpai dalam bentukberkas komputer, Lagu dalam bentuk berkas komputcr adayang berdiri sendiri dan' ada pula yang dikumpulkandalam sebuah basis data. Dengan adanya basis data audio,maka dibutuhkan sebuah sistem temu kembali informasiyang dapat digunakan pada basis data ini, Menurut Ghiaset al.(1995) cara yang paling efektif dan lazim untukmencari keberadaan sebuah lagu pada basis data audioadalah dengan menyenandungkan nada-nada sebuah lagu,tetapi pada penelitian ini input yang digunakan adalahpotongan lagu.

Untuk proses pencarian pada basis data, penelitian inimenggunakan algotitma kesamaan string yangdikembangkan oleh Baeza-Yates dan Perleberg (1992)sebagaimana yang pemah dilakukan oleh Ghias et al.(1995). Meskipun demikian terdapat beberapa perbedaanantara penelitian yang pemah dilakukan oleh Ghias et al.(1995) dengan penelitian ini, antara lain pada penelitiansebelumnya input yang digunakan adalah senandung nadasebuah lagu sedangkan pada penelitian ini input yangdigunakan adalah potongan lagu. Untuk koleksi lagu pada

134

penelitian sebelumnya lagu koleksi dikonversi dari MIDIsedangkan pada penelitian ini lagu koleksi dikonversi dariMP3. Perbedaan juga terdapat pada percobaan yangdilakukan, pada penelitian sebelumnya percobaan hanyadilakukan terhadap 1 macam input sedang pada penelitianini input memperoleh berbagai rnacam perlakuan.Sehingga penelitian ini tidak bertujuan untuk melakukanperbaikan pada penelitian yang telah dilakukansebelumnya, akan tetapi men.coba menerapkan hal yangsarna pada kondisi yang berbeda.

2. SISTEM TEMU KEMBALIINFORMASI MUSlKAL

2.1. Arsitektur Sistem

Ada tiga komponen utama dalam sistem temukembali inforrnasi musikal pada basis data audio yangdikembangkan oleh Ghias et al.(1995) (Gambar I), yaitu:

1. Pitch Tracker2. Basis Data3. Query EngineSedangkan proses yang terjadi dalam sistem ini adalah

sebagai berikut :1. Input yang berupa potongan lagu berforrnat WAV

dirnasukkan ke dalam pitch tracker untuk diproses.2. Hasil pernrosesan di pitch tracker yang berupa

melodic contour dirnasukkan ke dalam queryengine.

3. Query engine menghasilkan daftar lagu yang diurutkanberdasarkan kecocokannya terhadap input yangdiberikan.

Potongan Lagu

!Pitl:h Tracker

Melodic ~ ContourDaftar Lagu T erurut

Basis Data Quety Engine Berdaser~ ..- Kecocckan

Terbadap Masukan

Gambar I. Arsitektur Sisnm.

2.2. Bah an Percobaan

Bahan yang digunakan untuk penelitian ini terdiridari 50 buah berkas lagu berformat WAV yangmerupakan hasil perckarnan dad berkas berforrnatmp3. Ke-50 buah berkas lagu berforrnat WAVtersebut direkam dengan frequensi 8 Kllz, Berkas-berkas terse but terdiri dari berbagai macam aliranmusik mulai dari musik klasik sampai musik rockbahkan terdapat pula lagu tradisional

2.3. Pembuatan Program

Untuk membangun program digunakanperangkat lunak MATLAB versi 6.1 dan bahasapernrograrnan Microsoft Visual C++. Selain keduaperangkat lunak tersebut, perangkat lunak lain yangdigunakan adalah Creative Sound Recorder yangdigunakan untuk merekam lagu kedalam formatWAV dengan freqkuensi berbeda-beda dan perangkatlunak Ahead Nero Wave Editor unfuk memotonglagu. Sedangkan system operasi yang digunakanadalah Windows 98 Second Edition, Untuk basisdatanya digunakan Microsoft Access 2~OO.

Perangkat keras yang digunakan adalah komputerdengan processor AMD Athlon 900 MHz, memorisebesar 256 MB dan kapasitas hardisk sebesar 20 Gb.

2.4. TujuanPercobaan

Pada penelitian ini percobaan yang dilakukanadalah:1. Pengukuran waktu

Percobaan ini mengamati waktu pencarian padabasis data, dengan parameter berupa jumlah laguyang ada pada basis data dan durasi input yangdiberikan.

Untuk pengukuran waktu terhadap jumlah laguyang ada pada basis data, dipakai basis data yangmemiliki jumlah koleksi lagu sebanyak 30 buah, 40buah dan 50 buab dengan input yang memilikidurasi berbeda-beda yaitu 10, 20 dan 30 detik.Kemudian diamati bagaimana hubungan antarajumlah lagu yang ada pada basis data denganwaktu pencarian.

Sedangkan untuk faktor perbedaan durasi input,potongan lagu yang diberikan sebagai inputmemiliki durasi 10 detik, 20 detik dan 30 detik(rnasing-masing 10 judul lagu), yang nantinya akandiamati hubungan antara perubahan durasi inputdengan waktu pencarian. Percobaan ini dicobakan

135

terhadap basis data dengan jumlah koleksi 50 buahlagu.

2. Perbedaan panjang inputPercobaan ini dilakukan uutuk mengetahu i

bagaimana pengaruh perubahan durasi potonganlagu (masing-masing 10 detik, 20 detik dan 30detik) terhadap hasil ter1?-ukembali yang diperoleh.Percobaan ini dicobakan kepada basis data dengankoleksi lagu sebanyak 50.

3. Perbedaan posisi potongan lagu terhadap lagu asalPercobaan ini dilakukan untuk mengetahui

bagaimana pengaruh posis atau letak potongan laguterhadap lagu asal (awal, tengah dan akhir lagu)terhadap hasil temu kembali yang diperoleh.Percobaan ini dicobakan kepada basis data dengankoleksi tagu sebanyak 50.

4. Perubahan amplitudo pada inputPercobaan ini dilakukan untuk mengetahui

bagaimana pengaruh adanya perubahan amplitudoinput terhadap hasil temu kembali yang diperoleh.Percobaan ini dicobakan pada basis data yangmemiliki koleksi 50 judullagu.

5. Perbedaan frekuensi inputPercobaan ini dilakukan untuk mengetahui

bagaimana pengaruh perubahan frckuensi inputterhadap hasil temu kembali yang diperoleh. Untukpenelitian ini potongan lagu yang diberikan sebagaiinput memiliki frekuensi 11 KHz" 16 KHz, 22 KHz,24 KHz, 32 KHz dan 44 KHz (masing-masing 10judul lagu). Percobaan ini dicobakan pad a basisdata dengan jurnlah koleksi sebanyak 50 judul lagu.

2.5. Asumsi

Asumsi-asumsi yang digunakan dalam penelitian iniadalah sebagai berikut:

1. Lagu yang relevan adalah Iagu yang memilikikecocokan lebih dari 75 %.

2. Untuk percobaan pengukuran waktu dan pengaruhperbedaan panjang .input, posisi potongan laguterhadap lagu asal tidak diperhatikan,

3. Untuk percobaan pengaruh perbedaan frekuensiinput dan pengaruh perbedaan amplitudo inputtcrhadap hasil yang didapatkan, posisi dan durasiinput tidak diperhatikan.

4. Untuk percobaan pengaruh posisi input panjangatau durasi input tidak diperhatikan.

Untuk pembulatan angka, jika angka dibelakangkoma lebih besar atau sama dengan 5 maka akandibuIatkan keatas sedangkan untuk angka lebih kecildari 5 akan dibulatkan kebawah

3. HASIL EKSPERIMEN

Pengukuran waktuPengukuran waktu pada penelitian ini hanya dilakukan

pada saat proses pencocokan string input dengan teksyang ada di basis data. Pada percobaan, pengukuran waktudicatat dalam satuan mili detik.

I. Hubungan Waktu dan Jumlah Koleksi Basis DataHasil percobaan pengukuran waktu pencarianterhadap basis data yang memiliki jurnlah koleksiyang berbeda-beda ditunjukkan oleh Tabel 1.Pengukuran dilakukan terhadap basis data yangmemiliki jumlah koleksi sebanyak 30, 40 dan 50 buahjudullagu dengan input berdurasi 10,20 dan 30 detik(masing-masing durasi 10 kali ulangan kemudiandirata-ratakan).Untuk input yang memiliki durasi 10 detik, pencarianpada basis data yang merniliki jumlah koleksisebanyak 30 judul lagu membutuhkan waktu sekitar371 mili detik, sedangkan pada basis data denganjurnlah koleksi sebesar 40 judul waktu yangdibutuhkan sekitar 461 rnili detik dan untuk basis datadengan koleksi sebanyak 50 judul diperlukan waktusekitar 548 mili detik. Untuk input dengan durasi 20detik waktu yang dibutuhkan untuk pencarian padamasing-rnasing basis data adalah 407 mili detik, 504rnili detik, dan 600.33 rnili detik, sedangkan untukinput yang berdurasi 30 detik waktu yang dibutuhkanuntuk melakukan pencarian . pada masing-masingbasis data sebesar 430 rnilik detik, 543,67 rnili detikdan 644,67 mili detik.Dari data yang diperoleh menunjukkan makin banyakkoleksi lagu, makin besar pula waktu pencarian yangdibutuhkan (Gambar 2).Kejadian seperti ini adalah hal yang umum pada temukembali informasi. Sernakin banyak jurnlah koleksimaka makin banyakjurnlah perbandingan yangdilakukan pada saat melakukan pencarian.

Tabel 1. H~sil pengukuran waktu pencarian pada basis data denganumlah koleksi dan durasi input beragam

Jumlah DurasiKoleksi Input Waktu (mili detik)

Basis Data (detik) iRata-rata Maksimum Minimum30 10 371 44C 270

20 407 50e 33030 430 49C 380

40 10 . 461 550 38020 504 61C 440

f----. 30 543.67 61C 49050 10 548 66(] 490

20 600.33 71(] 55030 644.67 71(] 600

136

2. Hubungan Waktu dan Durasi InputPada percobaan ini akan diamati bagaimana pengaruhperubahan durasi input terhadap waktu pencarian.Durasi input yang digunakan adalah 10, 20 dan 30detik. Input tersebut dicobakan pada basis data yangmemiliki jumlah koleksi lagu sebanyak 50 judul(Tabel 1 dan Gambar 3).

:i2"700:g 600"C

~ 500i' 400:::I~ 300~ 200III

~ 100

~ 0

m30judul.40judulD50judul

10 20 30durasi input (detik)

Gambar2. Grafik hubungan waktu pencarian dcngan jumlah kolcksibasis data dan durasi input yang beragam

:;; 660~ 640~ 6201600'in 580:::I 560~III(/) 540~III 520:::ISi: 500C\I~ 480

durasllnput (detik)

Gambar 3. Grafik hubungan perubahan durasi input danwaktu pencarian

Panjang InputPada percobaan ini akan diamati hubungan antara

panjang (durasi) input terhadap hasil temu kembali.Durasi input yang digunakan adalah 10, 20 dan 30 detik.

Dari hasil percobaan dapat disimpulknn bahwa makinpanjang input maka akan makin baik pula output yangdidapatkan. Hal ini terjadi karena makin panjangnya inputakan membuat lebih banyak lagi nada pada input yangdapat dibandingkan dengan nada pada lagu di basis data.Dengan makin banyaknya nada yang dibandingkan makaakan memperkecil kemungkinan lagu-lagu yang tidakrelevan terambil, sebab bisa saja ada beberapa lagu yang

merniliki nada yang sama pada 10 nada petamanya, akantetapi sangat berbeda pada nada-nada berikutnya, sehinggainput dengan durasi yang lebih panjang akan lebih spesifikmenunjuk ke lagu yang sesuai,

Posisi InputPada percobaan nu akan diamati bagaimana

hubungan antara posisi input terhadap hasil temu kembali,Posisi input yang digunakan adalah awal, pertengahandan akhir lagu.

Dad percobaan yang dilakukan ternyata input denganposisi diakhir lagu memiliki persentase yang lebih baikjika dibandingkan input dengan posisi diawal dandipertengahan lagu. Untuk persentase terambil, inputdengan posisi diakhir lagu memiliki persentase sebesar91,67% sedangkan input dengan posisi diawal dan tengahlagu masing-rnasing memiliki persentase sebesar 66,67%dan 83,33% (Tabel 2). Untuk persentase terambil padaposisi pertama input berposisi diakhir lagu memilikipersentase sebesar 83,33% (Tabel 2), persentase ini lebihbesar jika dibandingkan dengan input berposisi diawal danditengah lagu.: Untuk nilai persentase kecocokan yangpaling tinggi, input dengan posisi diakhir lagu memilikinilai terbesar yaitu sebesar 96,154%. Meskipun demikianinput dengan posisi diawal dan tengah lagu merniliki nilaidiatas 90%. (Tabel 2).

Tabel 2. Hasil percobaan pengaruh perubahan posisi inputterhadap hasil

-- --yang Diamati Posisi Input

Denan Tenzah BelakangJumlah Terarnbil 8 10 11-Jurnlah TidakTerambil 4 2 1Persentase Terambil 66,667 83,33 91,6667Persentase TidakTerambil 33,333 16,67 8,33333Jumlah Terambilpada Urutan 1 7 8 -~Jumlah TerambilBukan pada Urutan I 1 2 1Jumlah Tidak --Terambil 4 2 1Persentase Terambil

I-g.ada Urutan 1 58,333 66,67 83,3333Persentase TerambilBukan pada Uruta!1 1 8,3333 16,67 8,33333persentase TidakTerambil 33,333 16,67 8,33333Persentase

--Kecocokan Terting~. 90,833 94,65 96,154

137

Perubahan Amplitudo InputPercobaan ini bertujuan untuk mengarnati hubungan

antara perubahan amplitudo pada frekuensi-frekuensitengah (center frequencies) yang membentuk suara inputdengan hasil temu kembali yang dihasilkan, input dibagikedalam dua golongan yaitu input full bass dan input fulltreble.

Secara keseluruhan persentase terambil yangdinasilkan oleh kedua macam input tersebut sekitar 58%(Gambar 4). Sedangkan persentase terambil pada urutanpertarna yang diperoleh dati percobaan sekitar 54%(Gambar 5).

r--------------------------------Terambil

Tidak Terambil

Gambar 4. Persentase terambil atau tidaknya sebuah.lagupada basis data, dirnana terjadi perubahanbass dan treble pada input

Untuk persentase kecocokan antara input dengan Jaguasal, nilai tertinggi yang didapat adalah sebesar 94.527%.Sedangkan persentase kecocokan antara input dan laguasal, nilai tertinggi untuk masing-masing jenis inputadalah sebesar 84.08% untuk input full bass dan 94.527%untuk input full treble.

Hasil yang diperoleh dari percobaan menunjukkanbahwa meskipun terjadi perubahan amplitudo (dalam halini perubahan pada frekuensi tengah penyusun bass dantreble) tetapi hasil temu kembali yang diperoleh masihcukup baik. Hal ini menunjukkan bahwa adanyaperubahan amplitudo pada frekuensi-frekuensi tengahtidak memberikan pengaruh yang berarti pada hasil temukembali karena perubahan amplitudo tidak mengakibatkanberubahnya frekuensi.

r--------------------------------,Bukan Urutan

54%

Tidak Urutan 1

Gambar S. Persentase terambil pada urutan pertama, selain urutan, pertarna dan tidak terambil sebuah lagu pada basis data,

dimana terjadi perubahan bass dan treble pada input

Perbedaan Frekuensi InputPemberian input yang merniliki frekuensi berbeda-

beda bertujuan untuk mengetahui seberapa besar pengaruhperubahan frekuensi terhadap hasil temu kembali yangdidapat. Frekuensi input yang digunakan sebagai inputadalah 11 KHz, 16 KHz, 22 KHz, 24 KHz, 32 KHz dan 44KHz, sedangkan berkas-berkas lagu yang hendak dicarimemiliki frekuensi 8 KHz.

Dari has il percobaan dapat disirnpulkan bahwa untukfrekuensi input yang berbeda-beda didapatkan hasil yangsarna yaitu tidak adasatu pun judul lagu yang terambildari basis data. Hal ini menunjukkan bahwa sekecilapapun perubahan frekuensi dari sebuah Jagu akanmengakibatkan ketidakcocokan antara input dengan laguyang dicari.

Hal tersebut diatas terjadi karena banyaknyagelombang atau getaran yang dihasilkan dalam waktu 1detik berbeda, frekuensi adalah banyaknya gelombangatau getaran yang terjadi dalam waktu 1 detik, banyaknyagelombang yang dihasilkan oleh koleksi lagu-lagu ya~gada di basis data adalah 8000 gelombang per detik(8KHz), sedangkan banyaknya gelombang yangdihasilkan oleh input lebih besar, yaitu antara 11000sampai 44000 gelombang per detik (11 KHz sampai 44KHz). Hal ini mengakibatkan string S, D dan U yangdihasilkan oleh lagu-lagu pada basis data berbeda denganyang dinasilkan oleh input. Karena string S, D dan U yangdihasilkan sangat berbeda maka tidak akan pemahditemukan kecocokan antara input dengan lagu yangdicari.

Jadi sekecil apapun perbedaan frekuensi antara inputdengan lagu yang ada dalam basis data akanmengakibatkan tidak ada s~~ lagupun Y?ngditemukembalikan oleh sistem. Hal ini sangat berbeda jikadibandingkan dengan hasil percobaan pengaruh perubahan

138

amplitudo, karena adanya perubahan frekuensi akanmengakibatkan perubahan bentuk suara, sementara adanyaperubahan amplitudo tidak berpengaruh pada bentuk suarakarena perubahan amplitudo tidak merubah frekuensi.

Sistem

Untuk penelitian ini sistem yang digunakan untukmelakukan proses temu kembali bukanlah sebuah sitemtemu kembali informasi yang utuh dan terintegrasi denganbaik. Sistem dalam penelitian ini terbagi menjadi tigabuah modul yaitu modul 1 yang merupakan elernenterpenting sebab di modul inilah terdapat prosespencocokan string dengan menggunakan algoritrna yangdikembangkan oleh Baeza-Yates dan Perleberg (1992),modu12 adalah sebuah modul yang berfungsi untukmengubah atau mengkonversi vektor yang diperoleh dariproses pitch tracking menjadi string S, D dan U yang akandisimpan sebagai berkas teks yang nantinya akandigunakan oleh modul 1 sebagai input, modul 2 tidakhanya menyediakan input bagi modul I, tetapi modul inijuga menyediakan hasil konversinya untuk dirnasukkankedalam basis data, sedangkan modul 3 adalah modulyang digunakan untuk melakukan proses pitch trackingatau dengan kata lain modul 3 berfungsi sebagai pitchtracker. output yang dihasilkan oleh modul ini disimpandalam bentuk berkas biner yang digunakan sebagai inputoleh modul 2. Ketiga modul tersebut dibangun dalamlingkungan bahasa pemrograman yang berbeda . Untukpembuatan modul 1 dan 2 digunakan bahasapemrograrnan Microsoft Visual C++, sedangkan untukmembuat modul 3 digunakan bahasa program yang ada diMATLAB.Meskipun demikian bukan berarti sistem yang belumterintegrasi ini tidak dapat diintegrasikan dengan baiksebab dengan menggunakan MATLAll routine yangdibuat dengan menggunakan bahasa C dapat digunakansecara langsung oleh MATLAB. Selain itu denganmenggunakan MATLAB dapat dibuat interface yangmenarik.

4. KESIMPULAN

Dari hasil-hasil yang diperoleh dari percobaan-percobaan yang dilakukan dapat ditarik beberapakesimpulan, yaitu :1. Jumlah koleksi lagu pada sebuah basis data akan

mernpengaruhi waktu pencarian. Makin banyakkoleksi lagu yang ada pada suatu basis data rnaka akansemakin lama pula waktu yang diperlukan.

2. Panjang pendeknya sebuah potongan Iagu yangdigunakan sebagai input akan mempengaruhi waktupencarian sebab makin panjang durasi input makaakan makin lama pula waktu yang dibutuhkan, Hal ini

disebabkan oleh penggunaan algoritma Baeza-Yatesdan Perleberg sebagai algoritrna pencocokan string.

3. Untuk percobaan perubahan panjang (durasi) input,hasil percobaan menunjukkan bahwa input dengandurasi 30 detik memlliki rata-rata persentase terambilpada urutan pertarna paling baik, serta persentaseterambil dan persentase kecocokan antara input denganlagu asal yang baik pula. Secara umum dapatdisirnpulkan bahwa makin panjang durasi input rnakaakan makin baik pula hasil yang akan diperoleh,

4. Input dengan posisi diakhir lagu memiliki persentaseyang paling baik untuk tiga katagori yang diamati. Halini terjadi karena hamper tiap lagu memilikikecenderungan untuk terus menurun diakhir lagu.

5. Adanya perubahan amplitude pada frekuensi tengahtidak memberikan pengaruh yang sangatekstrim, tidakada yang terambil, terhadap hasil yang diperoleh sebabperubahan amplitudo tidak merubah frekuensisehingga bentuk suara pun tidak berubah.

6. Frekuensi input yang berbeda dengan frekuensi laguasal akan mengakibatkan tidak terambilnya lagu padabasis data.. Hasil percobaan menunjukkan tidak adasatu lagupun yang ditemukembalikan oleh sistem.

REFERENSI[1] Baeza-Yates, R. A. & C. H. Perleberg. 1992.

Fast and Practical Aproximate String Matchinghttp://citiseer.nj.nec.con1ibaeza-yates92fast.htrnl.[16 Juli 2002].

[2] Bainbridge, D., C. G. Nevill-Manning, I. H.Witten, L. A. Smith & R. J. McNab. 1999.Toward a Digital Library of Popular Music.http.r/craig.nevill-manning.com!-nevillJpublicationsIDLl99 .pdf. [11Juni2002].

[:I] Ghias, A., J. logan, D. Chamberlin s. B. C.Smith. 1995. Query by Humming .' MusicalInformation Retrieval in an Audio Database.http;//www.cs.comel.edulinfo/facultylbsmithlqucrLby_humming.htrn. (11 Juni 2002J.

[4] McNab, R. J., L. A. Smith, r, H. Witten, C. r.,Handerson & S. J. Cunningham. 1996. TowardsThe Digital Music Library : Tune Retrieval fromAcoustic Input,http://www.cs.waikato.ac.nzI-ihw/papers/96RJM_LAS_IHW _CLH_SJC.pdf.[11 Juni 2002].

[5] Nevlll-Mannlng, C. G. & C. Francu, 2000.Distance Metrics and Indexing Stratgies for aDigital Library of Popular Music.httpi//craig.nevill-

139

manning ..;oml-nevilllpublications/ICMEOO.pdf.l J1 Juni 2002].

[6] Part-Enader, E. 1995. The Matlab Handbook.Addison-wesley. Canada.

[7] Salton, G. 1989. Automatic Text Processing: TheTransformation, Analysis and Retrieval ofinformation by Computer. Addison-wesley.Canada.

. [8] Sapp, C., A. Master & 'P. de la Cuadra. 1001.Efficient Pitch Detection Techniques for

interactive Music. http://ccrma-www.stanford.eduJ-craig/papers/Ol/ICMCOlyitch.pdf. [16 luli 2002).

(9] Uitenboogerd, A. & J. ZobeL 1999. MelodicMatching Techniques for Large MusicDatabasess. http://www.kom.e-tecbnik. tu-darmstadt.de/-cmmn99/ep/uitdenboogerd/Melodic Matching Techniques for Large MusicDatabases.htm[11 Juni 2002].

140

PERBANDINGAN ALGORITMA HUFFMAN STATII( DENGAN ALGORITMAHUFFMAN ADAPTIF PADA KOMPRESI DATA TEKS

Bib Paruhum Silalahi', Julio Adisantoso", Danny Dimas Sulistio?'Departemen Matematika, FMIPA, Institut Pertanian Bogor

JI. Raya Pajajaran Bogor, Indonesia20epartemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor

JI. Raya Pajajaran Bogor, Indonesia30epartemen I1muKornputer, FMIPA, Institut Pertanian Bogor

JI. Raya Pajajaran Boger, IndonesiaEmail: ediary@plasa.com

ABSTRAKPenelitian ini bertujuan untuk mempelajari dan membandingkan unjuk kerja dari algoritma Huffman Statik

dan algoritma Huffman Adaptif pada kompresi data. Euang lingkup penelitian hanya terbatas pada kompresidata teks (*.IXt) yang dilakukan pada tiga buali percobaan yaitu percobaan dengan menggunakan file teks yangberasal dari potongan artikel. percobaan dengan menggunakan file teks dengan satu variasi karakter, danpercobaan menggunakan file teks dengan lima dan 256 variasi karakter. 8erbagai kriteria yang digunakandalam perbandingan kedua algoritma diantaranya rasio kompresi, lumanya waktu yang diperlukan untukmengkompresi file, dun lamanya waktu untuk mendekontpresi file menjadi seperti semula.Kompresimenggunakan algorltnta Huffman Statik memiliki kompleksitas sebesar Otn 19 m), sedangkan algoritmaHuffman Adaptif memiliki kompleksitas sebesar O(II.m), dengan nilai II adalah banyaknya karakter dan madalah besarnya variasi karakter. Dari percobaan potongan artikel menunjukan waktu iterasi yang diperlukanoleh algoritma Huffman Statik untuk melakukan kompresi dan dekompresi adalah cenderung lebih kecildibandingkan dengan yang dilakukan oleh algoritma Huffman Adaptif Namun untuk hasil kompresi terlihatunjuk kerja Huffman Adap tif adalah lebih baik dibandingkan Huffman Statik.

Kata kunci: algoritma, Huffman Statik, Huffman Adaptif, kompleksitas, kompresi data.

PENDAHULUANPada saat ini kebutuhan akan informasi sangat

diperlukan oleh masyarakat umum. Setiap informasiyang beredar dapat direpresentasikan dalam bentukcitra, suara maupun teks secara digital, Dengansemakin banyaknya informasi yang perlu disimpansecara digital, secara automatis akan meningkatkankeperluan untuk menyediakan media penyimpanandata yang lebih besar lagi, Oleh karena itu diperlukansuatu alternatif mekanisme penyimpanan datasehingga dengan media penyimpanan yang ada,dapat menyimpan data sebanyak-banyaknya.

Pemampatan data, atau yang lebih dikenaldengan istilah kompresi data merupakan salah satumetode uutuk memperkecil kebutuhan penyimpanandata pada suatu media penyimpanan data. Denganmelakukan metode kornpresi dapat memperkecilukuran data, sehingga kebutuhan akan mediapenyimpanan data dapat lebih efektif dan ukurandata yang disimpan dapat optimal. Sclain bergunadalam penyimpanan data, kompresi data dapatmembantu memperkecil ukuran data yangditransmisikan di dalam suatu media jaringan, sepertiinternet. Sehingga dengan ukuran data yang lebihkecil, maka waktu yang diperlukan untukmentransfer data tersebut dapat diperkecil. Namundibalik kelebihan yang ditawarkan oleh metode ini,harus diperhatikan pula lamanya waktu yangdiperlukan untuk rnembuat data menjadi

termampatkan, dan lamanya waktu untukmengembalikan data tersebut seperti sediakala.

Pada penelitian kali ini akan dipaparkan suatukajian algoritma Huffman melalui metode statik danmetode adaptif Algoritma Huffman merupakansalah satu pelopor lahirnya kompresi data, sehinggaukuran data yang periu disimpan menjadi lebih kecildibandingkan dengan ukuran data sebenarnya.

Penelitian mengenai kompresi terhadap data teksmenggunakan algoritma Huffman telah dilakukansebelumnya oleh Hutasoit [3] mengenai pengaruh n-gram dalam pembentukan kode Huffman pada fileteks berbahasa Indonesia dan Layungsari [4]mengenai implementasi kompresi multi tahapmenggunakan algoritrna Huffman pada file teks.Kesimpulan dari penelitian Hutasoit [3] adalahpengaruh n-gram dapat menghasilkan rasio kompresiyang Iebih baik yang ditunjukkan dengan rasiokompresi untuk tree yang monogram lebih keeildibandingkan dengan tree digram. Dari penelitianLayungsari [4] dapat disimpulkan bahwa hasilkompresi file teks menggunakan kompresi multitahap Huffman menunjukan hasil yang tidakmemuaskan. Hal ini dikarenakan file hasil kompresioleh kompresi tahap pertama telah menghasilkankode prefiks yang optimal.

Output dari penelitian ini adalah sebuah sistemyang dapat membandingkan hasil kompresi yangdilakukan oleh metode Huffman Statik dengan hasilkompresi yang dilakukan oleh metode HuffmanAdaptif. Selain itu diharapkan dengan

pengembangan metode ini dapat dijadikan acuanlebih lanjut dalam penelitian mahasiswa mengenaimetode pemampatanfile.

TINJAUAN PUSTAKAKompresi Data

Kompresi data dapat dilihat sebagai kumpulanteori informasi dengan tujuan utamanya adalah untukmemperkecil ukuran data yang akan ditransmisikan[5]. Secara sederhana, karakteristik dari kompresidata dapat dianalogikan sebagai sebuah proses untukmengubah sebuah string yang merupakan kumpulankarakter menjadi sebuah string yang baru denganinformasi yang sarna namun dengan lebar atauukuran yang lebih kecil, Suatu cara untukmengembalikan data yang telah terkompresi menjadiseperti sediakala dikenal dengan istilah dekompresidata.

Secara garis besar kompresi data dapatdikelompokkan ke dalam dua metode yaitu metodekompresi lossy dan metode kompresi lossless.Metode kompresi lossy adalah suatu metodekompresi data dengan data yang telah terkompresiapabila dikembalikan ke dalam bentuk semula akanterdapat beberapa informasi yang hilang. Contoh darimetode ini adalah metode yang digunakan pad apemampatan data gambar dan data suara. Sedangkanuntuk metode kompresi loss less merupakan suatumetode kompresi data dengan data yang telahterkompresi akan dapat dikernbalikan seperti semulatanpa ada informasi yang hilang. Impiementasi darimetode ini yaitu pada pemampatan data teks ataudokumen ASCII.

Pada metode kompresi lossless terdapat duabuah model utama yaitu metode loss less denganmenggunakan model statistik dan model kamus.Pada model statistik, kompresi data diawali denganmelakukan perhitungan setiap karakter yang ada didalarn file, kemudian dengan statistik karakter yangada akan dilakukan pengkodean karakter denganrepresentasi lain. Representasi tersebut apabiladibandingkan dengan karakter asli diharapkan akanIebih kecil ukurannya.' Model ini digunakan padaalgoritrna Huffman dan algoritrna Aritrnatik.

Sedangkan untuk model kamus, kompresi datadiawali dengan melakukan perhitungan setiap stringyang terdapat di dalamfile. Kumpulan string tersebutakan disusun seperti sebuah indeks dan akandisimbolkan dengan sebuah representasi yang unik,Model ini digunakan pada algoritma Lempel-Ziv danturunannya (LZW,LZSS, LZRW, dsb).

Algoritma HuffmanAlgoritma Huffman diperkenalkan pertama kali

oieh D.A. Huffman pada tahun 1950. Ide dasar darialgoritma ini adalah membuat kode denganrepresentasi bit yang Iebih pendek untuk karakterASCII yang sering muncul di dalam file danmembuat kode dengan representasi bit yang lebih

panjang untuk karakter ASCII yang jarang muncul didalam file [2]. Dalam perkembangannya algoritrnaHuffman terpecah menjadi dua buah kategori yaitu:• Algoritma Huffman Statik adalah suatu

algoritrna yang menggunakan kemungkinankemunculan dari setiap karakter yang telahditetapkan pada awal pengkodean dankemungkinankemunculan karakter tersebut jugadapat diketahui oleh baik oleh enkoder maupundekoder.

• Algoritrna Huffman Adaptif adalah suatualgoritma dengan kernungkinan kemunculan darisetiap simbol tidak dapat ditentukan denganpasti selama pengkodean. Hal ini disebabkanoleh perubahan pengkodean secara dinarnisberdasarkan frekuensi dari simbol yang' telahdiolah sebelumnya.

Algoritma Huffman StatikCara kerja dari algoritrna Huffman Statik untuk

mengkompresi data yaitu dengan cara sebagaiberikut:l.Hituug jumlah karakter yang muncul di dalamfile, sehingga masing-masing karakter yang adaakan merniliki bobot sesuai dengan banyaknyakarakter tersebut di dalam file. Kemudiansusunlah suatu pohon biner yang dibangunberdasarkan bobot karakter yang ada. Inti daripembangunan pohon biner adalahmenggabungkan dua buah karakter dengantingkat kernunculan (bobot) yang lebih kecil,kemudian membangkitkan satu buah node parentyang merniliki bobot gabungan dari keduakarakter tersebut,

2. Lakukan pengkodean (encoding) karakter yangada di dalam file menjadi suatu representasi bitsesuai dengan urutan pada pohon biner yang telahdibangun.

Algoritrna dekompresi Huffman Statik dapatdijabarkan sebagai berikut:1. Susun pohon biner.2. X="113. Lakukan sampai karakter terakhir

{selama x bukan leaf Tree{x ~X + bit_selanjutnya}

Kirim X ke buffer_file_dekompresiX="11}

4. Simpan buffer_file_dekompresi kedalam file tujuan

Algorltrua Huffman AdaptifAlgoritma Huffman Adaptif merupakan

pengembangan Jebih lanjut dari algoritrna Huffman.Ide dasar dari algoritma ini adalah meringkastahapan algoritrna Huffman tanpa perlu menghitungjumlah karakter keseluruhan dalam membangun-pohon biner, Algoritrna ini dikembangkan oleh trioFaller, Gallager, dan Knuth dan kemudian

18J

dikembangkan lebih lanjut oleh Vitter, sehinggatercipta dua buah algoritma Huffman Adaptif yaitualgoritrna FGK dan algoritma V. Secara umumalgoritma Huffman Adaptif adalah sebagai berikut:1. Prosedur enkoder

initialize_model ();do{

c=getc(inputl;encode(c,output) i

update_model (c);}while(c!=eof) ;

2. Prosedur dekoderinitialize_model() ;while«c=decode(input» !=eof) i

{putc(c,output);update_model (c);

Dapat dilihat daridi atas, pada saat data akandikompresi, pertama kali akan diinisialisasi sebuahpohon biner dengan sebuah node yang dikenaldengan Not-Yet-Transmitted (NYT) atau kodeescape. Kemudian akan dilakukan pembacaankarakter satu persatu dari awal file sampai akhir.Selama pembacaan karakter, akan dikirim kode NYTsetiap terdapat node (karakter) baru yang belum adadi dalam pohon. Hal ini akan memudahkan dekoderuntuk membedakan antara sebuah kodc dengansebuah karakter barn. Setelah kode tersebutdikirimkan bersama kcde ASCII karakter barn, rnakadiperlukan penambahan sebuah node baru untukkarakter baru, dan sebuah kode NYT dari kode NYTyang lama. Dan terakhir akan dilakukan peng-update-an pohon.

Sedangkan untuk proses dekompresi padaprosedur dekoder, tidak jauh berbeda dengan proseskompresi data. Hal yang berbeda hanya pada saatmembaca data dari file tidak dilaknkan perkarakter,namun dibaca per-bit, hal ini untuk mengidentifikasikeberadaan karakter yang diinisialisasi pada pohon,apakah sudah ada atau belum, Jika belum ada akandilakukan penambahan node baru, namun apabilasudah ada akan dilakukan perubahan bobot karakter.Setelah itu diakhiri dengan peng-update-an pohon.

Salah satu kelebihan dari algoritma kornpresiHuffman Adaptif ini adalah kemampuannya untukmelakukan kornpresi file tanpa perlu mengetahuijumlah frekuensi dari masing-masing karaktersehingga tidak menyimpan tree pada file hasilkompresi .

METODOLOGIPengumpulan Bahan

Data yang digunakan adalah data teks denganekstensi *.txt dengan berbagai rentang ukuran file.Berbagai rentang ukuranfile yang digunakan yaitu <20.000 byte, antara 20.000 sampai 40.000 byte danfile dengan ukuran > 40.000 byte. File teks tersebut

berisi potongan tajuk rencana harian sebuah mediacetak online (Media Indonesia) yang beredar antarabulan Juni sampai November 2003. Selain itudigunakan sebuah mekanisme untuk membangkitkankarakter dengan rentang bervariasi dari satu buahvnriasi karakter.

Struktur PercobaanDalam penelitian im dilakukan beberapa

pengujian yang antara lain:1. Melihat pola rasio pemampatan dan lamanya

kompresi dan dekornpresi algoritrna denganmenggunakan file yang' berasal dari potonganartikel.

2. Melakukan simulasi dengan menggunakan fileteks yang hanya memiliki satu buah variasikarakter kemudian dilihat pola rasiopemampatan dan lamanya eksekusi dalamrentang 1.000 byte, 2.000 byte, 3.000 bytesampai 100.000 byte.

3. Mengamati rasio dan lamanya eksekusialgoritma pada file yang memiliki lima buahvariasi karakter yang berbeda, dan 256 variasikarakter yang berbeda.

4. Penarikan kesimpulun menggunakan uji AnalisisRagam (ANOV A).

AnalisisPercobaan yang telah dirancang selanjutnya

diuji coba dan dilakukan analisis terhadap kinerjaalgoritma dengan berbagai kriteria berikut:1. Kebutuhan temp at penyimpanan

Seluruh file yang diuji perlu dieatat ukuranfile semula dan ukuran file setelah dikompresi.Hal ini diperlukan untuk mendapatkan rasiopemampatan yang dilakukan .oleh algoritmatertentu. Perhitungan rasio pemampatan dapatdidefinisikan sebagai berikut: .

lossRasio Pemampatan =

ukuran file asJi(1)

dengan:loss =uku.ranfile awal-ukuranfile kompresi

=ukuran file yang hilang akibat ter-mampatkan.

2. Pengamatan running time programKornpleksitas dari suatu algoritma dapat

diestimasi dengan melakukan perhitunganrunning time. Dengan melihatflowchart masing-masing algoritma, sehingga dapat dihitungkornpleksitas dari masing-masing algoritrnatersebut.

Pcrancangan Sistem• Sistem dapat melakukan kompresi dan

dekompresifile pada kedua algoritma.• Dapat menarnpilkan statistik hasil kompresi dan

dekompresi dalam bentuk data dan grafik.

184

Desain SistemSebelum mengimplementasikan rancangan

sistem, perlu ditentukan dahulu alur sistem sehinggadapat menunjang kinerja sistem yaitu:1. Desain masukan

Pada masing-masing rentangfile akan berisi10 buah file teks sumber (artikel) yang akandigunakan pada saat pengujian.

2. Desain keluaranUntuk membedakan antara file teks dengan

file hasil kompresi dan dekompresi dari rnasing-masing aigoritma, maka diberikan ekstensi fileyang berbeda untuk setiap operasi yaitu:• Algoritma Huffman Statik

File hasil kompresi menggunakan ekstensi*.huf, sedangkan file hasil dekompresimenggunakan ekstensi *.new.

• Algoritma Huffman AdaptifFile hasil kompresi menggunakan ekstensi*.ada, sedangkan file hasil dekompresimenggunakan ekstensi *.now.

3. Desain ProsesFile artikel yang telah dikelompokkan ke

dalam beberapa rentang akan dipisahkan kedalam beberapa direktori (misal 1,2, dan 3).. Setiap file tersebut akan diujikan sebanyak 10kali ulangan. Pada saat pengujian dan simulasi,hasil dari kompresi dan dekornpresi akandimasukkan ke dalam sebuah file teks (*.txt)secara autornatis yang kemudian akan diolah dandigabungkan ke dalamfile Excell (*.xls) secaramanual. Kemudian diuji dengan ANOVAmenggunakan program SAS versi 8.

HASIL DAN PEMBAHASANUntuk mempemudah pengaksesan data, rentang

file yang telah didefinisikan sebelumnya kemudiandirepresentasikan sebagai tiga buah sub direktori (1,2, dan 3) dengan masing-masing sub direktoritersebut memiliki 10 buahfile teks yang diberi namal.txt, 2.txt, 3.txt sampai 10.txt.

Untuk mendapatkan hasil kompresi dilakukandengan cara memilih menu simulasi kompresi danuntuk mendapatkan hasil dekompresi dilakukandengan memilih menu simulasi dekompresi. Keduamenu ini dipecah berdasarkan masing-masingalgoritma.

Setelah simulasi kompresi dan dekompresidijalankan, pada setiap direktori yang memiliki subdirektori akan dihasilkan file teks yang berisirangkuman rasio pemampatan, waktu eksekusi danidentitasfile yang diuji. Dengan bantuan aplikasi MsExcell penulis mengolah data pada file teks tersebut,kemudian mencari rata-rata dari masing-masingkriteria uji.

Representasi Struktur Data1. Padafile kompresi Huffman Statik

File kompresi (dengan ekstensi >I< •hut)diawali dengan header file Huffman denganpanjang 4 byte yang menunjukan file tesebutdikompresi atau tidak. Kemudian disambung 1byte sebagai kode Ck.C sederhana. Laludisambung dengan 4 byte untuk menyimpaninformasi ukuran file sumber, 2 byte untukmenyimpan banyaknya variasi karakter, yangkemudian disambung dengan pasangan-pasangan 2 byte yang' berisi karakter danpanjang representasi karakter tersebut padapohon Huffman. Dan pada akhimya akandituliskan representasi pohon biner dan hasilencodingfile sumber menggunakan pohon biner.

2. Padafile kompresi Huffman AdaptifFile kompresi (dengan ekstensi *.ada)

diawali dcngan kode escape, disambungrepresentasi kode escape pada pohon biner.Setiap kali ada karakter baru, akan dikirimkanterlebih dahulu representasi kode escape, yangdisambung dengan kode ASCII yangbersangkutan. Sedangkan untuk karakter yangtelah didefinisikan, maka akan disimpanrepresentasi karakter yang bersangkutan.

3. Padafile statistik sirnulasi artikelDiawali dengan judul untuk kolom-kolom

yang ada seperti rasio pemampatan, lamaeksekusi, alamatfile sumher, ukuranfile sumber,alamat file tujuan, ukuran file tujuan dan padabaris barn akan disambung dengan datafile yangbcrada pada sub direktori yang sedang diuji.

Kompleksitas Algoritma Huffman StatikSecara garis besar alur algoritma Huffman Statik

padasaat mengkompresifile adalah:1. Hitung banyak karakter yang ada

pada file.2. Lakukan sorting jumlah_Karakter

yang ada.3. Bentuk pohon Huffman.4. Ubah seluruh karakter yang ada di

daLam file sesuai denganrepresentasi bit pada pohon.

Kompleksitas pada iterasi 1 prosedur kompresiHuffman di atas adalah O(n) dengan n adalahbesamya ukuran dari file yang rnerepresentasikanbanyaknya karakter yang ada dalam file tersebut.Sedangkan pada iterasi 2 memiliki kompleksitassebesar O(n 19 n) dengan n adalah banyaknyakarakter yang muneul. Misal terdapat sebuah stringaabccca maka n untuk iterasi 2 adalah tiga (karakteryang muncul a, b, dan c).

Pada iterasi 3, pernbentukan pohon Huffmanyaitu deugan cara mcngambil 2 buah node dari arrayyang sudah terurut pada iterasi 2 dengan bobotkemunculan terkecil, kemudian dibuat sebuah nodedengan bobot gabungan dari kedua node tersebut.Lalu keluarkan kedua node dari array, dan masukkan:node bani ke dalam array. Prosedur ini terusberulang sampai tersisa hanya 1 buah node pada

185

array yang memiliki bobot yang merepresentasikanjumlah seluruh karakter yang ada di dalamfile. Olehkarena pembentukan pohon ini menggunakan kaidahalgoritma Heap [1], sehingga kompleksitas dariiterasi 3 ini adalah 0(11 19 n). Kode semu untukprosedur pembentukan pohon Huffman adalahsebagai berikut:Untuk semus node dalam ArrayCari 2 buah node dengan bobot terkecildari Array;

{nodel=lowest{Array} ;node2=2nd_lowest{Array) ;

Buat node baru dengan bobot gabungan,dan node baru tersebut menjadi parentdari kedua node terkeeil{

NewNode.weight=node1.I,.,reight+node2.weight;

NewNode.LeftChi1d =nodel;NewNode.RightChild =node2;nodel.Parent=NewNode;,node2.Parent=NewNode;

Pada iterasi 4, akan dilakukan prosestransfonnasi seluruh karakter yang ada di dalamfile.Sebelum mengubah karakter, terlebih dahuludidefinisikan nilai biner dati cabang pohon Huffmanyang telah terbentuk, 'seperti berikut:Create_Bit_sequence{From_TopEvery Leaf}

(-Untuk Node yang berada di sebelahkiri diberi ni.LeL 0 'dan untuk Nodeyang berada d:Lsebelah kanan diberinilai 1. Pemberian nilai an i,

dilakukan mulai dari cabang palingatas sampai pada seluruh ujung daun.

}Setclah itu barulah dilakukan proses encoding

seluruh karakter file sumber, seperti berikut:Lakukan untuk ae Luzuh byte yang adadi dalam file

{ Baea 1 byte, representasikandalam bentuk karakter ASCII. Bacarepresentasi karakter dalam pohonHuffman. Masukan setiap bitrepresentasi satu per sacu kedalambuffer array yang berukuran 8.Jika buffer ~rray terisi penuh,bentuk sebuah karakter yang sesuainilai array, lalu set arraymenjadi kOSOIlg.}

Untuk byte terakhir, j ika arraybuffer masih ada nilai, bentuksebuah karakter yang sesuai nilaiarray, lalu set array menjadikosong.Kompleksitas algoritrna untuk prosedur di atas

adalah O(n) dengan n merupakan besamya variasikarakter, karena pada iterasi ini dilakukan kunjungandari node yang paling atas sampai seluruh node

dilewati, sedangkan pada Gambar 8 memilikikompleksitas O(n 19 m) dengan n adalah besarukuranfile dan m adalah besar variasi karakter. Dariuraian di atas dapat disimpulkan bahwa untukkompresi menggunakan algoritma Huffman Statikmemiliki kompleksitas sebesar O(n 19 m), dengannilai ~l adalah banyaknya karakter dan m adalahbesamya variasi karakter.

to

Kornpleksitas Algoritma Huffman AdaptifAlgoritrna Huffman Adaptif secara umum dapat

dituliskan sebagai berikut:BEGIN1.lnisialisasi tree'untuk seluruh karakter yang ada didalam file

~2.Baca karakter satu-satu:? .Ambi1 representasi karakter

dari pohon huffman4 .Jika re~::>resentasitersedia,

kirim bit ke stream5.Jika belum tersedia, tambahkan

karakter yang bersangkutan kestream

(,.Lakukan update bobcc karakteryang terkirim pada pohonHuffman

}7. K:'.rim bit ke stream untuk escape

code8. Jika stream masih memiliki n i.Lai ,

tambahkan digit 0 sebanyak sisaruang yang masih kosong

9.Bentu~ karakter dari streamterakhir

ENDPada iterasi 1, dilakukan inisialisasi tree dengan

masing-masing node belum memiliki bobot danbelum menunjuk ke mana-mana. Kompleksitasiiterasi ini adalah O(n) dengan n sebesar 512. Hal inididasari bahwa maksimum banyaknya node padatree adalah sebesar 2 x (256) - 1 yaitu sebanyak 511node. Adapun prosedur inisialisasi tree sebagaiberikut:

BEGIN'set node tidak memiliki hubungansatu dengan yang lain dan belummemiliki hobot'set posisi node belum ada didalam tree'set node yang terkirim = 0'Update_Tree(EscapeCode)

ENDSetelah sebuah karakter dibaca oleh mesin

enkoder, akan dilakukan pengecekan tentang sudahada atau belum karakter tersebut di dalam tree. Jikarepresentasi karakter sudah ada, maka representasibit karakter tersebut akan dimasukan ke dalambuffer. Namunjika belum, maka nilai representasi bitdari node NYT yang akan disimpan. Prosedur untukpenyimpanan bit adalah:

186

BEGIN'input representasi karakterkedalam buffer dalam satuan bit'jika buffer penuh,masukkan nilaibuffer kedalam senarai data, laluset buffer=O

ENDKompleksitas untuk prosedur di atas adalah

sebesar O(lg n), dengan n adalah besar variasikarakter yang sudah diolah oleh mesin enkoder.Setelah penyimpanan nilai bit karakter, akandilakukan pengubahan pohon Huffman, dengan caramenambahkan bobot karakter· yang dibaca, yangdisambung dengan penambahan nilai bobot parentsampai node yang paling atas, seperti berikut:

BEGIN'baca posisi karakter di dalamtree'jika karakter belum ada, makatambahkan node baru kedalam tree,lalu set:

'bobot=l, parentn,)de=NYT,lalu set NYT berada padaRightNode NYT lama

'jika karakter sudah ada, makatambahkan bobot karakter padatree,lakukan pertukaran node j ikadiperlukan mulai dari posiGikarakter sampai ke root

END

Kompleksitas untuk proses update tree di atasadalah sebesar O(n) dengan n adalah besar variasikarakter yang terbaca, Dari uraian di atas dapatdisimpulkan bahwa untuk kompresi menggunakanalgoritma Huffman Adaptif rnemiliki kompleksitassebesar O(nm), dengan nilai n adalah banyaknyakarakter dan m adalah besarnya variasi karakter.

Percobaan Artikel EditorialTujuan dari percobaan artikel ini adalah untuk

mendapatkan rasio dan lamanya waktu eksekusi darikedua algoritma pad a tiga buah rentangfile potonganartikel yaitu percobaan pada rentang file < 20.000byte, rentang file. antara 20.000 sampai dengan40.000 byte, dan percobaan pada rentang file >40.000 byte. Statistik rata-rata lamanya iterasikompresi, rasio kompresi, clan lamanya iterasidekompresi yang dilakukan oleh masing-masingalgoritma dapat dirangkum pada Tabel 1. Dapatdilihat bahwa waktu iterasi untuk kompresi dandekompresi Huffman Statik lebih cepat dibandingkanwaktu iterasi kompresi dan dekornpresi HuffmanAdaptif. Namun rasio pemampatan Huffman Adaptiflebih besar dlbandingkan rasio pemampatanHuffman Statik. Hal ini menjadikan file kompresiyang dihasilkan oleh Huffman Adaptif akan lebihkecil ukurannya dibandingkan dengan file kompresiyang dihasilkan oleh Huffman Statik. Selain itudapat terlihat bahwa semakin besar ukuranfile yangakan dikornpresi berimplikasi pada lama iterasi yangsemakin lama.

Tabel 1. Rata-rata lama dan rasio kornpresi flle artikel --Ukuran fife Kompresi Dekomf)resi

Lama(s) I Rasio(%) Lama(s) Rasio(%)<20KB 0,0564441 42,~45 0,03934281 -74,363

HuffmanSlatik 20 sId 40 KB 0,0656619 43,1081 0,04878656 -75:177

>40KB 0,0763654 43,2218 0,05559875 -76,13

<20KB 0,1235163 43,3365 0,11193219 -76,493HuffmanAdaptif 20 sId 40 KB 0,2234394 43,4659 0,18995875 -76M~

>40KB 0,3226191 43,4665 0,26700437 -76,893

Percobaan Satu Variasi KarakterTujuan dari percobaan ini untuk mendapatkan

rasio dan lamanya waktu eksekusi dari keduaalgoritrna untuk file yang memiliki karakter denganpeluang kemunculan adalah satu Hasil iterasi keduaalgoritrna pada saat ditampilkan akan dibedakandengan warna, pada hasil iterasi algoritma HuffmanStatik ditunjukkan dengan warna hitam dan untukbasil algoritrna Huffman Adaptif ditunjukkan denganwarna abu tua. Dapat dilihat dari Gambar 1 dan 3bahwa lama iterasi untuk kompresi dan dekompresiHuffman Statik untuk satu variasi karaktercenderung lebih cepat dibandingkan deng::mHuffman Adaptif, walaupun pada rentang file 1.000byte sampai 20.000 byte masih terjadi fluktuasidisebabkan faktor ukuran file yang terlalu kecil dan

iterasi yang cukup cepat. Pada Gambar 2 dapatterlihat bahwa rasio kompresi Huffman Adaptif lebihbaik dibandingkan rasio kompresi Huffman Statik,dengan kecenderungan semakin stabil seiringbesarnya ukuranfile.

~ 0.'")""220+------------- -"j .2+-----------------~~~~1Ii··'M .j-~---'--------:---,.,,;~---II

c.'"1--- ~o.,>St--------JIIII··.J"IoL...:.,""-------1I-'0.' 1-----_""".".~=---A-:c--w•.------,.1I0.018 f---·---::;;;<~~..r••••~~~- ...•••~01!!~!!.':!:::=n0.'" b.,.....,..--~.-.r-'-' _

O.olO.~

o .1.,., "".-,~, ~ •• ~.~, "'''~3'''''''"':'30~''~'''.It •• , ~s (''-- •__ ._M~_••~I ---L:~. -~p;11

Gambar 1. Perbandingan lama kompresi pada satukarakter.

112'7

"l

I,j I'-~====~~~---------'------,I--------------117

.,-. ---- --------- -- ------:i

10.128

.aI 0.'

O.02!

o """,,,,~""""""""'?TI'M~_.,.J1 IS tt l' 21 21 I' at ••, .•• '1 5S Ii ee 71 7/S at ae ! 1 ~

;11. ujl ~~.;-.~-';;'Ptif

Gambar 3. Perbandingan lama dekornpresi keduaalgoritma padn satu karakter,

Percobaan Lima dan 256 Variasi Karakter. Tujuan dari percobaan ini adalah mengamati

rasro dan lamanya eksekusi algoritma pada filedengan lima buah variasi karakter yang berbeda, dan256 buah variasi karakter yang berbeda. Padakompresi file yang berisi lima karakter terjadi suatuanomali dapat dilihat pada Tabel 2, menunjukanhasil kompresi yang seharusnya rnengecil menjadimembesar, Pada algoritma Huffman Statikdisebabkan oleh penarnbahan karakter diawal file,berupa header terkornpresi tidaknya file (4 bytes, Ibyte kodeCRC, 4 byte untuk menyimpan ukuranfilesumber, dan 2 byte untuk menyimpan banyaknyakarakter. Ditambah kebutuhan untuk menyimpantree berupa 2 byte untuk masing-masing karakter,disambung representasi tree dan representasi hasilkompresi. Sedangkan pada algoritma HuffmanAdaptif mengalami pembesaran ukuran file karenaselain menyimpan setiap variasi karakter yangmuncul, akan disimpan pula hasil pengkodeanberdasarkan tree. Karena tree yang dibentuk padaHuffman Adaptif tidak perlu disimpan, menjadikanrasio kompresi Huffman Adaptif Iebih baikdibandingkan rasio kompresi Huffman Statik.

Tabell. Rata-rata lama dan rasio kompresiflle berisi limabuah karakter (abcde= 5 brM

HuffmanStatik Lama iterasl {detlk} 0,01328

Rasi2.P.ampat(%) -400

Ukuranhasil(byte) 25

HuffmanAdaptif Lama iterasi (detik) 0,008969

Raslo ~ampat (%) -40

Ukul'anhasll1eytel 7

Pada percobaan dengan file berisi 256 karakterterjadi pula anomali seperti halnya yang terjadi padapercobaan 5 karakter. Seperti yang dapat dilihat padaTabel 3, rasio kompresi kedua algoritrna menunjukannilai negatif yang berarti hasil kompresi mengalamipembengkakan ukuran. Pada algoritma HuffmanS~atik lebih disebabkan karena besamya tempat yangdiperlukan untuk menyimpan statistik karakter.

Karena pada percobaan ini digunakan 256karakter yr ng berbeda, maka secara automatis akandiperlukan minimal 512 byte untuk menyimpaninformasi karakter. Hal ini belum termasukpenyimpanan header, dan penyimpanan hasilpengkodeau file sumber. Sedangkan pada algoritmaHuffrnun Statik selain menyimpan 256 byte yangmerepresentasikan karakter yang berbeda, perlu jugadisimpan hasil pengkodeanfile sumber.

Tabel3. Rata-rata lama dan rasio kompresifile berisi256 buah karakter berbeda

HuffmanSfatik Lama iterasi (detik) 0,025

Rasio oarncat (%) -304,297

Ukuranhasil (byte) 1035

HuffmanAdaptif Lama iterasi (detik) 0,011344

Rasio pampa! (%) -100,781

Ukuranhasll (byte) 514

Pengujlan Menggunakan ANOV ATujuan dari pengujian mi adalah untuk

mernbantu dalam penarikan kesimpulan akhir daridata-data hasil percobaan dengan menggunakanpendekatan rag am. Kriteria yang diuji diantaranya,lama iterasi kompresi, rasio kompresi, dan lamaiterasi dekompresi kedua algoritma. Adapunpercobaan yang akan diujikan dengan Anova inihanyalah percobaan dengan mcnggunakan potonganartikel. Hal ini dikarenakan representasi karakteryang ada di dalam file artikel tersebut biasadigunakan sehari-hari. Dari data pada Tabel 1, dapatditarik suatu hubungan antara rentang file denganalgoritma pada larnanya iterasi kompresi, rasiokompresi dan lamanya iterasi dekompresi denganmenggunakan analisis secara deskriptif seperti padaGambar 4 sampai Gambar 6.

0;: ~: __ -~ =__.:......--:-__ ::;=:j0.35 ----.------- -

_ 0.3 --- ......• --.---- -------i O.2S -_._-..... -3 0.2.- --- .----

0.15 ~------------1OO~!1--- A

O~~~--~~~~~~ 2 3 1 __ H. AcaptlAlntangFUo 1_-H.StatI< I

Gambar 4. Hubungan rentangfile artikel dengan lamanyaiterasi kompresi.

188

I 43.6 --

_43.4 I----~~--

t43.2 ~ •••••

1424~ r-~,~ ---.l! 42.6f----'~-------.---!42.4 f------------

42.2 +-------..---~--~2

Rentangfl"3 ~H.Statik___ H. Adaptif

Gambar 5. Hubungan rentang file artikel dengan rasiokompresi.

i 0.2~ 0.15+-_F----

0.1---------------.--- •2

AI ntang file

lamaGambar 6. Hubungan rentang fileiterasi dekompresi.

Dari Gambar 5 dan 6 dapat disimpulkan bahwalamanya iterasi yang dilakukan oleh algoritmaHuffman Adaptif sangat dipengaruhi oleh besarukuranfile (rentangjile). Hal ini berbeda sekali jikadibandingkan dengan algoritrna Huffman Statik yangrelatif stabil. Dari ketiga gambar di atas dapat ditarikkesimpulan sebagai berikut:• Iterasi kompresi Huffman Statik lebih cepat 2,19

kali pada rentang 1, lebih eepat 3,4 kali padarentang 2, dan lebih cepat 4,22 kali pada rentang3 jika dibandingkan dengan iterasi kompresiHuffman Adaptif.

• Rasio kompresi Huffman Adaptif lebih tinggi0,69% pada rentang 1, lebih tinggi 0,36% padarentang 2, dan lebih tinggi 0,24% pad" rentang 3jika dibandingkan dengan rasio kompresiHuffman Statik.

• Iterasi dekompresi Huffman Statik lebih cepat2,84 kali pada rentang 1, lebih eepat 3,89 kalipada rentang 2, dan lebih ccpat 4,8 kali padarentang 3 jika dibandingkan dcngan iterasikompresi Huffman Adaptif.

Dari perhitungan ANOV A untuk lama iterasikompresi, rasio kompresi dan lama iterasidekompresi pada tiga buah rentang file artikeldidapatkan nilai P yang berada dibawah taraf nyata(0' <= 0,05 pada selang kepercayaan 95%), sehinggadapat disimpulkan bahwa lamanya waktu proses danbesamya rasio kompresi dipengaruhi oleh rentangfile yang ada dan algoritrna kompresi yangdigunakan. Dari tabel ANOV A tersebut pula dapatdisimpulkan bahwa perbedaan waktu dan rasiokompresi pada kedua algoritma berbeda nyata (P-value <= 0,05).

KESIMPULAN• Semakin variatif karakter yang muncul, akan

memperkeeilrasio kompresi yang dihasilkan,baik oleh algoritrna Huffman Statik, maupunpada algoritma Huffman Adaptif

• Rasio kompresi terbaik terjadi pada file yangmemiliki karakter dengan peluang kemunculanmendekati nilai satu (bobot karakter hampirsebesar ukuranfile). Rasio terbaik yang didapatselama penelitian yaitu sebesar 87,489%.

•• Rasio kompresi terburuk terjadi pada file yangmemiliki variasi karakter besar dan pada file.yang berukuran kecil. Hal ini ditandai denganterjadinya pembesaran ukuran file hasildibandingkan ukuranfile awal.

• Dengan menggunakan metode kompresi apapunmemiliki trade off, pengguna akan diberi pilihanhasil maksimum dengan itcrasi yang lama atauiterasi yang cepat namun dengan hasil yangbiasa.

• Hasil percobaan yang terdapat pada pembahasanmenunjukan bahwa waktu iterasi yangdiperlukan oleh algoritma Huffman Statik untukmelakukan kompresi dan dekompresi adalahcenderung lebih keeil dibandingkan denganyang dilakukan oleh algoritma Huffman AdaptifNamun untuk hasil kompresi terlihat unjuk kerjaHuffman Adaptif adalah lebih baikdibandingkan Huffman Statik,

SARANPada saat mengimplernentasikan algoritma

Huffman Adaptif, penulis menggunukan proseduryang menjadikan kompleksitas algoritma HuffmanAdaptif menjadi O(n.m). Seharusnya kompleksitasHuffman Adaptif, hampir sama dengan algoritmaHuffman Staris yaitu 0(11 19 m), Pengembanganselanjutnya untuk perbandingan kompresi HuffmanStatik dan Huffman Adaptif ini dapat diterapkanpada mekanisme pengirirnan paket data terkompresipada media jaringan.

[I]DAFfAR PUSTAKA

Cormen, Thomas H., C. E. Leiserson., & R.L. Rivest. 1990. Introduction to Algorithms.Me Graw Hill Company.

Huffman, D. A. 1952. A Method for theConstruction of Minimum-RedundancyCodes". Proc. IRE, vol, 40, pp. 1098-1101,Sept. 1952.

[2]

[3] Hutasoit, Yenny E. 2001. Huffman CodingUntuk Kompresi Data Teks BerbahasaIndonesia. Skripsi. Jurusan Ilmu Komputer .Fakultas MIPA IPB. Bogor, Indonesia.

189

[4] Layungsari. 2003. Penyempurnaan danImplementasi Software Kompresi MultiTahap Menggunakan Huffman Coding.Skripsi. Jurusan I1mu Kornputer FakultasMIPA IPB. Boger, Indonesia.

[5] Lelewer, D. A. & Hirschberg, D. S. 1987.Data Compression. ACM ComputingSurveys 19(1937) 261-296.

[6] Moore, David S. 1994. The Basic Practiceof Statistics. ISBN 0-7167-2628-9. w.nFreeman and Company. New York.

190

..

PENGINDEKSAN OTO~IATIS DENGAN ISTILAH TUNG GAL UNTUKDOKUMEN BERBAHASA INDONESIA

Ahmad Ridha*, Ir. Julio Adisantoso, M.Komp.**, Ir. Fahren Bukhari, M.Sc.***Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor

J1. Raya Pajajaran, Boger 16127, Indonesia*ridha@Hkom.fmipa.ipb.ac.id

**julio@bima.ipb.ac.id***fahren@ciam.or.id

ABSTRAK

Pengindeksan memiliki peranan penting da1am sistemtcmu-kembali informasi untuk menyediakan pemrosesankueri yang lebih cepat dan daftar terurut dokumen hasiltemu-kembali, Tujuan penelitian In! adalahmengembangkan metode pengindeksan dengan istilahtunggal untuk dokumen-dokumen dalam BahasaIndonesia. Tercakupdi dalarnnya proses parsing,stemming, dan pembentukan inverted index denganpembobotan istilah menggunakan fungsi tfidf. Pengujianmenggunakan 422 dokumen dan 'sepuluh kueri (yangmasing-masing diungkapkan dalam tiga bentuk) dandiukur 'dengan lO-pt average precision. Ternyatapenggunaan daftar kata buang dan stemming tidakberpengaruh signifikan terhadap ki.nerja temu-kernbali.Akan tetapi daftar kata huang dan stemming hermanfaatdalam sistem temu-kernbali untuk rnengurangi ukuranindeks yang akan menjadikan operasi pencarian lebihefisien. Penggunaan daftar kata buang, stemming, dankeduanya menghasilkan penurunan lebih dad 25%, 10%,dan 30% masing-masingnya,

Kata kunci: sistem temu kembali informasi, indeks,stemming.

1. PENDAHULUANPenyimpanan dokumen secara digital berkembang

dengan pesat seiring meningkatn.ya penggunaan komputer.Kondisi tersebut memunculkan masalah untuk mengaksesinformasi yang diinginkan secara akurat clan cepatsehingga pencarian terhadap seluruh isi dokumen yangtersimpan bukanlah solusi yang tepat mengingatperturnbuhan ukuran data yang tersirnpan umumnyasangat tinggi. Dalam pencarian informasi di Internet parapengguna di Inggris menjadi frustrasi dalam dua belasmenit jika tidak menemukan yang diinginkannya [1].

Untuk rnemenuhi tuntutan tersebut dibutuhkaninformation retrieval system (IRS) yang menggunakan

suatu pengganti yang dapat merepresentasikan kumpulandokumen dalam bentuk dan ukuran yang lebih mudahuntuk pencarian. Struktur data yang populer dan telahlama digunakan untuk keperluan tersebut adalah sebuahindeks, yakni gugus kata atau konsep terpilih sebagaipenunjuk ke informasi (atau dokumen) terkait. Indeks,dalam berbagai bentuk, merupakan inti setiap IRS modernkarena menyediakan akses yang lebih cepat ke data danjuga mempercepat pemrosesan kueri [2].

Penelitian ini bertujuan untuk mengembangkan danmengimplementasikan pengindeksan dengan istilahtunggal untuk digunakan dalam IRS untuk dokumen-dokumen teks berbahasa Indonesia.

Penelitian ini terbatas pada pemrosesan dokumen teksberbahasa Indonesia menjadi indeks istilah tunggalmeliputi proses parsing serta stemming. Struktur data sertametode penyimpanan indeks tidak termasuk dalampenelitian ini.

2. PENGINDEKSAN OTOMATISDENGAN ISTILAH TUNGGAL

Proses pengindeksan dilakukan dalam strukturinverted index dan menggunakan pembobotan tf idf.Langkah-langkah dalam pengindeksan adalah sebagaiberikut:1. inverted index dikosongkan2. dokumen diproses hingga menjadi document terms3. untuk tiap stem pada document terms, tambahkan

posting list node pada posting list yang bersesuaiandalam kamus istilah.

4. simpan informasi panjang dokumen (jumlah kata)pada kamus dokumen

5. proses dokumen berikutnya hingga seluruh koleksitelah ditambahkan pada indeks

6. lakukan pembobotan untuk seluruh isi kamus istilahdan hitung faktor normalisasi tiap dokumen untukpembobotan tf-idf.

328

7. simpan faktor normalisasi untuk setiap dokumendalam kamus dokumen.Untuk penambahan dokumen tunggal dilakukan

langkah 2-7 karena terjadi perubahan frekuensi istilah dandengan sendirinya perubahan bobot istilah dan faktornonnalisasi secara keseluruhan.

2.1. Tokenizer

Tokenizer menerima masukan berupa rangkaiankarakter dan memilahnya menjadi token dengan aturansebagai berikut:• Suatu token dimulai oleh hurufatau angka• Token dipisahkan oleh karakter whitespace• Karakter-karakter khusus yang mengikuti huruf atau

angka dianggap bagian dari token (misalnya tandapersen dalarn 125%) namun dianggap sebagai pemisahtoken jika tidak.

2.2. Stemming

Stemming merupakan bagian yang sangat memerlukanpengetahuan bahasa karena penentuan stem suatu kataberbeda tergantung tata bahasa yang digunakan, Olchkarena itu perlu dikembangkan algoritme stemmingtersendiri untuk Bahasa Indonesia.

Sistem pemotong sufiks untuk Bahasa Indonesia yangberdasarkan algoritme Porter [3] telah dikembangkandalam [4] namun pengindeksan memerlukan sistem yangmampu memotong prefiks dan sufiks yang banyakdigunakan. Infiks tidak dihilangkan karena prosesnyalebih kompleks dan tidak lagi produktifdalam BahasaIndonesia.

Sebagairnana algoritme Porter, digunakan suatu fungsipenghitung ukuran kata untuk mencegah stemmingmenghasilkan stem yang terlalu pendek. Diasumsikanminimal stem hasil berukuran dua kecuali jika tokenberukuran kurang dari dua.

Akan tetapi fungsi ukuran kata pada algoritme Portertidak dapat digunakan pada Bahasa Indonesia.Sebagaimana dalam [4], jumlah vokal dalam kata akandigunakan sebagai penentu ukuran kata kecuali kata-katatanpa vokal yang terdiri dari tiga karakter atau lebihdianggap memiliki ukuran dua untnk mengakomodasisingkatan yang hanya terdiri dari konsonan.

Vokal didefinisikan sebagai huruf-huruf A, I, U, E,dan O. Huruf-huruf selain itu merupakan konsonan.

Aturan pemotongan diungkapkan sebagai:

P J (kondisi) S1-'> P2 S2

yang artinya jika sebuah kata berprefiks PI dan bersufiksS1, dan bagian kata. setelah PI dan sebelum S I memenuhikondisi yang diberikan, maka PI dan S1 akan digantidengan P2 dan S2.

Kondisi dapat menggunakan operator AND, OR, atauNOT untuk menyatakan aturan yang kompleks.

Beberapa notasi juga digunakan untuk membantu,yakni:• W, seluruh kata terrnasuk PI dan S1• M, ukuran kata

• L, jumlah karakter dalam kata

• V,huruf vokal• e, huruf konsonan

• V*,kata diawali vokal

• C*, kata diawali konsonan• ·ce, kata diakhiri konsonan ganda

• x*, kata diawali huruf atau kumpulan huruf x• ·x, kata diakhiri huruf atau kumpulan huruf x• V(x),hurufke-x adalah vokal

• C(x), huruf'ke-r adalah konsonan

Sebagai contoh, dalam aturan:

(M> I) wan-'>

S1 adalah wan dan S2 adalah null (kata kosong). Sehinggakata dermawan dipotong menjadi derma karena dermaberukuran 2 (M> 1).

Stemming dilakukan terhadap elemen-elemen berikut:• prefiks: meng-, di-,per .., ber-, ter-, peng-, pe-, per-, se-• sufiks: -an, -kan, -i, -nya, -ik, -is, -if, -a/,-(is)asi, -at, -

iah, -wi, -wiah, -isme, -sionis• konfiks: ke-an, ke-i• partikel: -kah, -lah

• kata ganti: ku-, kau-, -mu, -nyaWalaupun partikel dan kata ganti tidak termasuk afiks

namun diperlakukan sama sehingga partikel dianggapsebagai sufiks dan kata ganti dianggap sebagai prefiksatau sufiks sesuai posisinya.

Selanjutnya walaupun stemming umunmya hanyadigunakan untuk memotong afiks suatu kala namun dalamsistem ini fungsi serupa juga diterapkan pada angka.Token berupa angka dikelompokkan ke dalam bentukyang lebih umum misalnya 800.000 dan 796.352 menjadibentuk yang sarna yakni 800000.

329

2.4. Koleksi Pengujlan

Koleksi pengujian menggunakan artikel-artikel utama,nasional (politik clan keamanan serta umm pada MediaIndonesia) dan internasional harian Kompas, harian MediaIndonesia, dan harian Koran Tempo(htlp://www.kompas.com. !illI?~I/v'lww.me(lia-indonesia.com, dan http://www.tcmpo.co.fg) terbitan 6f\pril2002 dan 8-12 April 2002. Terbitan tanggal 7 April2002 ti.lak disertakan karena merupakan harian Mingguyang memiliki susunan berita berbeda. Tiga media massadigunakan untuk menguji sisrem pada dokumen-dokumenyang memiliki topik serupa namun dengan penyampaianyang berbeda-beda,

Tabel J. Jumlah dokumen yang digunakan berdasarkantanggal.

Untuk pengindeksan, dokumen-dokurnen tersebutdiubah susunannya menjadi terdiri dari:1. judul (satu baris)2. isi dokumen.Sedangkan isi dokumenhanya mengalami perubahandalam penggantian tanda ampersand (&) menjadi kata danserta penggantian karakter dengan kode ASCII 173menjadi tanda hubung (-). Kesalahan ejaan dan kesalahantara bahasa tidak diperbaiki.

2.5. Evaluasi Sistcm

Evaluasi pengindeksan otomatis dilakukan denganmenentukan kinerjanya dalam recall dan precision. Halini dilakukan dengan menggunakan koleksi pengujianbeserta gugus kueri dan penilaian relevansinya (gugusjawaban) [5]. Dati hasil evaluasi tersebut dapat diperolehnilai average precision (AVP).

Relevansi dokumen umumnya ditentukan olehrnanusia, sebaiknya oleh ('fang yang sarna yangmemberikan kueri. Walaupun penilaian relevansi tersebutakan berbeda-beda bagi pemcriksa yang berbeda namun[6] menunjukkan bahwa kurva recall dan precision yangdihasilkan hampir identik, Metode serupa juga digunakandalam TREe [7].

Sistern mengembalikan daftar dokumen terurutmenurun berdasarkan besar hasil fungsi kesamaan kueridan dokumen.

Selanjutnya dari hasil kueri dihitung banyakdokumenyang diperoleh untuk rnencapai tingkat recall tertentu dansclanjutnya nilai precision dihitung. Tingkat recall yangdigunakan adalah 0.1,0.2,0.3, 0.4,0.5,0.6,0.7,0.8,0.9,dan 1.0 untuk menghitung AVP.

Untuk melibat pengaruh penggunaan stemming dandaftar kata buang dilakukan empat kali pengindeksanyakni:1. IDXA: menggunakan stemming dan daftar kata buang2. IDXB: hanya menggunakan stemming3. 1DXc: hanya menggunakan daftar kata buang4. 1DXo: tidak menggunakan stemming dan daftar kata

buang.Untuk mernbandingkan algoritme stemming, jugadilakukan pengindeksan IDXA, yang menggunakanstemming sufiks dalam [4] dan daftar kata buang.

Selanjutnya beberapa kueri beserta gugus jawabandibuat berdasarkan koleksi pengujian. Kueri yang sarnadiungkapkan dalam bentuk-bentuk berikut:1. Bentuk menengah, mengungkapkan topik yang

diinginkan dalam kalimat2. Bentuk pendek, banya terdiri dari sebanyak-

banyaknya lima kata yang merupakan inti dari bentukmenengah

3. Bentuk panjang, paragraf yang diambil dari salah satudokumen yang relevan.Pengujian dilakukan dengan uji t berpasangan dengan

selang kepercayaan 95% terhadap:1. IDXA - IDXc dan IDXB - IDXD: untuk pengaruh

stemming2. lDXA - lDXB dan lDXc - lDXo: untuk pengaruh daftar

kata huang3. lDXA -lDXo: untuk pengaruh keduanya4. IDXA - lDXA< untuk pengaruh perbedaan algoritme

stemmingSelain kemampuan temu-kembali, juga dilihat ukuran

indeks yang dihasilkan. Digunakan dua jenis ukuran yakniyang menyertakan keterangan posisi suatu istilah (Sp) danyang tidak (SNP)'

2.6. Asumsl-asumsi

Asumsi-asurnsi yang digunakan dalam pene litian iniadalah sebagai berikut:1. indeks dapat termuat dalam memori utama2. dokumen dan teks kueri menggunakan ASCII

character set.

330

3. seluruh koleksi telah terindeks sebelum digunakanoleh untuk pemrosesan kueri.

3. HASIL EKSPERIMEN

3.1. Algoritme Tokenizer

Teks masukan diproses secara sekuensial per karakterdari awal dan menghasilkan sebuah token serta posisinyaatau keterangan bahwa teks telah selesai diproses.Algoritme yang digunakan sebagai berikut:I. Jika sudah mencapai akhir teks maka proses berakhir

selainnya karakter yang diperoleh dibandingkanterhadap tabel jenis karakter. Sebuah karakter dapatmemiliki salah satu di antara tiga jenis berikut:a. whitespace, berarti karakter ini merupakan

karakter pemisah tokenb. alphanumeric, berarti karakter ini

merupakan huruf atau angkac. other, berarti karakter ini tidak termasuk

jenis-jenis di atas.2. Jika karakter yang ditemukan merupakan huruf atau

angka rnaka karakter berikut menjadi karakterpertama dari token sedangkan selainnyakembali kelangkah pertama.

3. Karakter-karakter selanjutnya menjadi bagian daritoken bingga ditemukan karakter whitespace atauakhir dari teks.

3.2. Masalah-masalah Afiksasi

Proses afiksasi terutama preflks dalam BahasaIndonesia mengalami proses morfofonemik sesuai denganfonem yang mengikutinya. Misalnya prefiks meng- dapatmenjadi meng-, me-, men-, mem-, meny- atau menge-.Selain itu beberapa fonem juga mengalami peluluhan. Halini menyulitkan proses stemming karena satu bentukperubahan dapat ditimbulkan oleh beberapa fonem,sehingga pemotongan afiks secara sempurna tanpaperbendaharaan kata yang lengkap sangat sulit dilakukan.

Untuk mengatasi masalah di atas, dilakukanperubahan-perubahan prefiks tertentu terhadap stemsebagai berikut:1. ny (M> 0) - s2. V(M> 0) - ng3. k(M>O) - ng4. p(M>O) •.• m

5. t(Af>O) - n

Selanjutnya masalah afiksasi pada sufiks -an dan -kan.Algoritme stemming yang dikembangkan berdasarkanalgoritme Porter yang bersifat iterative longest matchsehingga dapat terjadi kesalahan pemotongan seperticontoh berikut:

hentakan - henta + -kan

seharusnya

hentakan -I' hentak + -an

Sebagairnana masalah proses morfofonemik di atas,dilakukan perubahan pada akhir stem yakni:

(M> I) k ..•

sehingga bentuk-bentuk hentak, hentakan, dan hentakkanmenghasiikan stem yang sama yakni henta.

Walaupun cara-cara di atas dapat dikatakan merusakbentuk stem namun karena tujuan stemming di sini adalahuntuk sedapat mungkin menjadikan bentuk-bentuk katayang diturunkan dari kata dasar yang sarna ke dalam satustem dan hasil stemming ditujukan untuk sistem (tidakuntuk pengguna) rnaka bentuk yang aneh tcrsebut dapatdigunakan. Asumsinya adalah tidak banyak kata-kata yangmemiliki bentuk yang sama dengan hasil perubahan.Kesalahan terjadi dalam kasus seperti berikut:

pakan ...• malum

galak ..• gala

padahal terdapat kata mukan dan gala yang meruilikimakna yang berbeda dengan pakan dan gala.

Selain itu masih ada kasus yang belum tertanganiyakni proses morfofonemik pada prefiks ber-, ter-, danper- terhadap fonem vokal dan Irl sehingga misalnyabentuk-bentuk merebut, dan terebut, menghasilkan sternyang berbeda yakni rebut dan ebut (atau ngebut denganperubahan di atas),3.3. Algoritme Stemming

Bebcrapa fungsi pendukung yang digunakan calarnstemming antara lain:1. Valid (r), memeriksa kevalidan suatu token masukan

untuk diproses lebih lanjut atau kevalidan suatu stemuntuk digunakan. Token atau stem x valid jikamemiliki:

, 331

• panjang lebih dari dua karakter dan memiliki huruf(misalnya IBM dan Mi6), atau

II panjang lebih dari tiga karakter dan tidak memiliki. huruf namun memiliki angka (misalnya 2002 dan1987-1992).

2. Reducekep (x), menangani kata x yang memilikitanda ulang (-) dengan cara:

IJ jika kata sebelum tanda ulang tersebut termasukmorfern terikat tertentu.

• jika ukuran kata sebelum tanda ulang lebih darisatu atau kata sebelum tanda ulang sama dengankata setelah tanda ulang maka yang digunakanhanyalah bagian sebelum tanda ulang (nnsamyalalu-lalang •.• lalu, hak-hak •.• hak).

II jika tidak termasuk dalam kedua bentuk di atasmaka tanda ulang dipertahankan (misalnya F-J5-+ F-15).

3. ValidDblConsonant (x), rnerneriksa kevalidankonsonan ganda yang mengawali kata x. DalamBahasa Indonesia konsonan ganda yang mengawalisuatu suku kata terbatas pada pi, bl, kl, gl,jl, sl, pr, br,tr, dr, kr, gr.fr, sr, ps, sw, kw, sp, sm, sn, sk, pt, Is, st,ng, ny, str, spr, skr, dan sk! (Alwi et ai, 1998).

4. Adjustliead (x) dan AdjustTail (x), mengubah hurufawal dan akhir dari stem x untuk menangani masalah-masalah afiksasi.

5. Right(x, y), rnengernbalikan y karakter paling kanandari kata x

6. Left(x, y), mengembalikan y karakter paling kiri darikata x

7. Mid(x, y, z), mengembalikan z karakter dari kata xrnulai posisi y. Jika z tidak diberikan maka semuakarakter dari y hingga akhir dikembalikan.

8. Strip Prefix (x, y), melakukan pemotongan prefiksterhadap kata X pada posisiy dengan aturan:• jika pada posisi y terdapat tanda ulang (-) maka

dilakukan pemotongany karakter, selainnya• jika (V(v) OR (C(y) AND V(y+l» OR

ValidDblConsonant (Mid(x, y») maka dilakukanpemotongan (y-l ) karakter, selainnya

• tidak dilakukan pemotongan terhadap X

Aturan-aturan stemming yang digunakan adalahsebagai berikut:1. PreSt

se (M> 1) •.•

2. PreS2mem (M> 1AND (b* OR p" OR l*»-+mem(M> 1)-+ m

meug (M > 1 AND (g* OR It* OR kit f»~-meuy (M:. I AND V*) -+ smen (M> 1AND V*)-+ nmen (M> 1) ....•.

me (M> 1) -+ StripPreflX(W,3)

di (M > 1) ..• StripPreflX( W, 3)

3. PreS3ber (M > 1)-+be (M > 1AND Cer*)-+

4. PreS4pt:m (M;'- 1l1ND b*) •

peng (M > 1AND (g* OR h* OR kh*» •.•peny(M> 1 AND V*) ...•. spen (M > 1AND V*) -~ npen (M> 1)-+per (M > 1AND C*) -+ StripPreflX{ W, 3)pe (M> 1)..... StripPreflX( W, 3)

ter(M> 1)-+te (M > 1AND Cer*)-+

5. SlItsl(seni OR bud;) man ...•.(M> 1) wan-+(M >.1) wati=-

6. SufS2(L > 4) -kan -+(M> 1) kan=»

7. SufS3(L> 3)-an-+(M> l)an-

8. SufS4(M> lAND NOT(*l) AND

("ng OR NOT(*CC») i ....•.

9. FSufSl(M> 1) sionis -+ si(L > 5) =isme ...•. is(M> 0) isme+ is(M> 1) itas=«(M> 1) asi-+(M> 1AND ~C)si- t(M> 1) or-+(M> 1) er ...•.

10. FSufS2(M> I) if-+(M> 1) ik-(M>I)is-

332

11. FSuf3(M> 1) at ...•(M> 1)wi-(M> 1) wiah-«(M> 1) iah=+(M>I)al ...•

12. FSuf4(M>OAND *11) v- f(M>OAND *V)pt- p(M>OAND *V)kt- k(M> 0 AND *V) nt ...•. n

13. ConSke(M> 1)an-ke (tahu) i-

14. ParS(M> l)-kah-(M> 1)-lah ...•.

15. ProS(M> 1) -ku-(M> l)-mu-(M>l)ku-(M> l)mu-(M> 1) -nya-(M> 1) nya ...•.ku(M>I)-kau (M> 1)-

Dengan menggunakan fungsi-fungsi dan aturan-aturantersebut stemming terhadap token t dilakukan denganalgoritme berikut:1. t diubah menjadi lower case2. StripPunct(t)3. jika t diawali oleh tanda rupiah (rp) dan bersifat

numerik maka rp dihilangkan4. jika Valid(t) tidak benar maka proses berakhir5. ReduceRep(t)

6. jika ukuran t kurang dari dua dan tidak mengandungtanda ulang maka proses berakhir

7. aturan-aturan stemming digunakan dengan urutan:• PreS!• ParS

• ProS• ConS

• PreS2

• ConS• Sufs! - SufS3

• PreS3 - PreS4

• FSufl·· FSuf4• SufS4

8. AdjustHead(t)

9. AdjustTail(t)10. jika ada, hilangkan tanda ulang di sisi kiri t11. StripPunct(t)

12. panjang t dibatasi maksimal15 karakter dan jika lebih .diambil 15 karakter paling kiri

13. jika t bersifat numerik maka diubah denganpembulatan kemudian selain dua digit paling kiridiganti dengan nol

14. jika Valid(t) benar maka hasil stemmingdikembalikan

3.4. Pemrosesan Dokumen dan Teks Kueri

Selain tokenizer dan stemming, digunakan fungsiStripl'unct untuk membuang karakter-karakter tanda hacaberikut dari sisi kanan: . , ? ! - : ; ) ] } > sertamenghilangkan semua kemunculan tanda kutip satu (')dan tanda kutip dua (") dari token. Misalnya:

"Serang!" - SerangMa/ruf - Maruf

Baik dokumen maupun jeks kueri diproses denganlangkah-langkah berikut:I. dengan menggunakan fnkt?niz(!l', token dikenali dan

dimasukkan ke fungsi Strip Punct,

2. token diubah ke lower case, jika token rerrnasukdalam daftar kata buang maka token tersebut dilewatidan langsung ke langkah 4. Jika tidak maka tokentersebut mengalami stemming

3. stem dill iasukkan dalam kamus istilah daninformasinya disesuaikan

4. jika teks belum berakhir kembali ke langkah 1.

Perbedaan pemrosesan dokumen dan teks kueri beradapada informasi yang disertakan dalam kamus isti.ah.Daftar istilah teks kueri hanya menyertakan informasifrekuensi istilah narnun daftar istilah dokumenmenyertakan informasi berupa posting list node (tetapiinformasi bobot tentunya belum tersedia). Daftar istilahdokumen seianjutnya dirujuk sebagai document terms dandaftar istilah kueri disebut query terms.

333

3.5. Pemrosesan kueri

?eI?bobotan kueri rnenggunakan VSM dengan vektordoku.nen temormalisasi. Bobot istilah kueri Wqj diperolehdeugan cara serupa dengan pembobotan istilah dokurnennamun frekuensi yang digunakan adalah frekuensi istilahlj dalam kueri.

Nw·::tf· .log-'u ": df;

sehingga istilah yang tidak terdapat dalam kueri (tfli 0:: 0)memiliki bobot nol.

3.6. Ukuran Indeks dan Jumlah Istilah

Deskripsi koleksi yang diproses dapat dilihat padaTabe12.

Tokenizer menghasilkan 16.442 token unik denganfrekuensi total sebesar 210.622. Penggunaan daftar katabuang mengurangi 250 token, yakni hanya 1,522% darijumlah token unik, namun dengan frekuensi total sebesar69.106, mencapai 32,81 % dari frekuensi total.

Hal ini berdampak langsung terhadap SI' yangmengalami penurunan sebesar 25,80% (JDXB -+ JDXA)dan 26,20% (IDXr> -+ IDXd serta SNP yang mengalamipenurunan sebesar 21,27% (IDXB -+ JDXA) dan 21,84%(/DXD -+ IDXc).

Stemming turut mengurangi jurnlah istilah indekssebesar 41,671% (IDXA) den sebesar '\'1,68% (IDXB)

yang selanjutnya menurunkan ukuran indeks Sp sebesar10,40% (IDXc -+ IDXN dan 10,89% UDXD -+ IDXs)serta SNP yang mengalami penurunan sebesar 16,29%(IDXc -+ IDXA) dan 16,89% (JDXD -+ 1DXs).

Sebagai perbandingan, lDXA' mengurangi jumlahistilah indeks sebesar 14,995% serta menurunkan Spsebesar 4,625% UDXc -+ lDXN) dan SNI) sebcsar 6,249%(fDXc -+ IDXA'). Hal ini menunjukkan tingginyapenggunaan pre fiks dalam afiksasi.

Secara keseluruhan, penggunaan daftar kata buang danstemming (IDXo -+ lDXA) menurunkan ukuran indeks Spsebesar 33,88% dan SNP sebesar 34,57%.

3.7. Kinerja Temu-Kembali

Kinerja temu-kembali masing-masing indeks dapatdilihat pada Tabel 3.

Tabel3. Ringkasan kinerja temu-kembali.Indeks"

Hasil uji menuniukkan bahwa tidak ditemukanperbedaan yang signifikan da1am kinerja temu-kembali,Perbedaan algoritme stemming (IDXA - IDXA,) juga tidakmenghasilkan perbedaan kinerja yang signifikan.

Kinerjanya secara umum dapat dikatakan baik karenadengan AVP sekitar 0,77 berarti secara rata-rata pada Haprecall point, '17% hasil temu-kembali relevan dengankueri. Akan tetapi hal ini dapat juga ditimbu1kan olehkeci1nya ukuran koleksi sehingga memiliki noise yangrendah.

4. KESIMPULAN

Hasil penelitian menunjukkan bahwa:1. Daftar kata buang dan stemming berperan untuk

mernperkecil ukuran indeks sehingga meningkatkanefisiensi operasi temu-kemba1i.

2. Penggunaan stemming prefiks dan sufiks penting bagiIRS Bahasa Indonesia karena tingginya penggunaanprefiks walaupun dari segi kinerja temu-kernbali tidaksignifikan.Sistem ini dapat dikembangkan lebih lanjut untuk

menjadikannya sebuah IRS yang lengkap untuk BahasaIndonesia. Beberapa altematif pengembangan antara lain:1. penggunaan kompresi untuk memperkecil ruang

penyimpanan serta mempercepat proses pencarianteks.

2. penggunaan thesaurus untuk mengelompokkanisti1ah-istilah yang berhubungan,

3. penggunaan frase-frase yang diturunkan dari istilah-istilah yang muncul bersarnaan dalam koleksi contoh.

4. penggunaan teknik relevance feedback untukpenyesuaian bobot istilah.

5. penggunaan koleksi yang lebih besar untuk Iebihmendekati penggunaan sesungguhnya.

334

Penggunaan teknik kedua hingga keempat diperkirakanmeningkatkan precision sebesar 10% - 20%, 5% - 10%dan 30% - 60% masing-masingnya [8].

REFERENSI

[1] Nua Internet Surveys, Net users' patience only lasts 12minutes. http://www.nua.ie/surveys/index.cgi?f=VS&

arUd=905356650&rel=tme [7 Maret 2002][2] Baeza-Yates, R. and B. Ribeiro-Neto, Modern

Information Retrieval, Addison-Wesley, 1999.[3] Porter, M.F., An Algorithm for Suffix Stripping.

Program, 14(3), 1980, 130-137.[4] Akhmadi, C.H., Algoritme Pemotong Suflks Baku

untuk Kata dalam Bahasa Indonesia BerbasisAlgoritme Porter. Bogor; Jurusan Ilmu Komputer IPB,2002.

[5] Lancaster, F. and A. Warner, Information RetrievalToday. Arlington; Information Resources Press, 1993.

[6] Salton, G., Automatic Text Analysis. Technical ReportNo. 69-36, Department of Computer Science. Ithaca:Cornell University, 1969.

[7] Vorhees, E.M. and D. Hannan, Overview of TREe2001. Proc. of the J(jh Text REtrieval Conference,2001.

[8] Salton, G, Automatic Text Processing: TheTransformation. Analysis. and Retrieval ofInformation by Computer. Addison-Wesley, 1989.

. 335