Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPenelitian ini merupakan penelitian tentang penerapan rumus frekuensi kata sebagai salah satu sarana pengindeksan. Dengan menggunakan majalah ilmiah dwi bahasa (bahasa Indonesia dan bahasa Inggris) sebagai sampel penelitian, maka diharapkan dapat diketahui istilah indeks dari kedua bahasa tersebut. Di samping hal tersebut, penelitian ini bertujuan untuk menghitung jumlah kata bahasa Indonesia dan bahasa Inggris, serta membandingkan istilah indeks yang dihasilkan melalui rumus frekuensi kata dengan ahli kehutanan dan subject specialist.Masalah yang diteliti dalam penelitian ini adalah mengenai penentuan istilah indeks melalui rumus frekuensi kata, ahli kehutanan, dan subject specialist, mengenai perbedaan istilah indeks yang dihasilkan melalui ketiga sarana pengindeksan tersebut, dan mengenai perbedaan jumlah kata bahasa Indonesia dan bahasa Inggris.Mengacu kepada masalah penelitian di atas, maka metode pengumpulan data yang digunakan dalam penelitian ini adalah metode dokumenter, sedangkan pengolahan data dilakukan dengan komputer memakai program WordStar Tiers/ 7.0. Setelah data tersebut terkumpul, selanjutnya dianalisis dengan menggunakan rumus Zipf. Untuk pengujian hipotesis penelitian digunakan analisis kuantitatif 1-student dan analisis kualitatif.Hasil penelitian dan kesimpulan yang diperoleh adalah (1) jumlah seluruh kata yang muncul dalam artikel majalah Dula Rimba tahun 1988-1993 adalah 37258 kata, terdiri dari 18430 kata bahasa Indonesia dan 18918 kata bahasa Inggris. Dari jumlah tersebut, 10376 kata merupakan kata unik yang terdiri dari 5324 kata unik bahasa Indonesia dan 5052 kata unik bahasa Inggris, (2) secara statistik, jumlah kata antara kedua bahasa tersebut dinyatakan tidak berbeda secara nyata, (3) istilah indeks yang dihasilkan melalui rumus frekuensi kata berjumlah 187 buah, melalui ahli kehutanan berjumlah 109 buah, dan melalui subject specialist berjumlah 21 buah, dan (4) sebagian besar istilah indeks yang dihasilkan melalui rumus frekuensi kata mempunyai persamaan dengan istilah indeks yang ditentukan oleh ahli kehutanan dan subject specialist, sehingga dapat dikatakan bahwa istilah indeks melalui rumus frekuensi kata dengan ahli kehutanan dan subject specialist tidak berbeda secara nyata.

---

ABSTRACTThis research is about the application of word frequency formula as one of indexing tools. By using bilingual magazine (Indonesian and English) as research sample, it hopes index terms of both languages can be determined. Beside that, the research aims to calculate the amount of Indonesian words and English, and also to compare index terms produced by word frequency formula with index terms provided by foresters and subject specialist.The problems observed in the research are about the determination of index terms from word frequency formula, foresters, and subject specialist, about the difference among these index terms, and about the difference between the amount of Indonesian words and English.Relate to the above problems, the method of collecting data used in this research is documentation method, whereas the word processing is done by computer using WordStar program. After the data is collected, it is then analyzed by using Goffman formula. To test hypothesis, it uses quantitative analysis t-student and qualitative analysis.Result and conclusion gained in the research are as follows: (I) the total words appear in the article of Duta Rimba magazine in 1988-1993 amount to 37258 words, consist of 18430 Indonesian words and 18918 English words. Of the amount, there are 10376 unique words which consist of 5324 Indonesian unique words and 5052 English unique words, (2) statistically, the amount of Indonesian words and English words are not significantly different, (3) the index terms produced by word frequency formula amount to 187 index terms, provided by foresters amount to 109 index terms, and provided by subject specialist amount to 21 index terms, and (4) 65% index terms provided by foresters are the same as index terms produced by word frequency formula, whereas 61,54% index terms provided by subject specialist are the same as index terms produced by word frequency formula, so that's why, it can be said that there are a' lot of index terms produced by word frequency formula have similarity with index terms provided by foresters and subject specialist."

"Sistem text retrieval (perolehan kembali teks) menanggapi query terhadap koleksi dokumen teks. Dua teknik yang telah diperkenalkan yang dapat digunakan pada text retrieval dan melibatkan penggunaan singular value decomposition (SVD, dekomposisi nilai singular) adalah variable Latent Semantic Indexing (VLSI) serta Latent Semantic Indexing (LSI), pendahulunya. Dokumen dapat dideskripsikan oleh kumpulan term, misalnya berupa kata. Dari dokumendokumen yang ada, dapat dibentuk matriks term-dokumen, A, yang berisi bobot term berdasarkan kemunculannya dalam dokumen. Pada VLSI, sebagaimana LSI, digunakan aproksimasi rank-rendah terhadap A untuk dicocokkan dengan vektor query. Namun, berbeda dengan LSI, aproksimasi pada VLSI tergantung pada distribusi probabilitas vektor query. Distribusi itu dicirikan oleh matriks cooccurrence, CQ. Aproksimasi untuk A itu bisa didapatkan melalui SVD terhadap CQ 1/2A. Telah dilakukan penelitian terhadap VLSI dengan mempelajari literatur, mengerjakan secara manual prosedur VLSI, dan melakukan percobaan penggunaan VLSI. Percobaan dilakukan dengan koleksi 100 dokumen yang pernah digunakan pada mata kuliah Pemrosesan Teks, koleksi 9 dokumen berupa judul technical memo, koleksi MED, dan koleksi CACM. Dari analisis, ditemukan bahwa yang dikalikan dengan A untuk kemudian di- SVD tidak harus CQ 1/2. Dari percobaan dengan koleksi MED dan koleksi CACM, ditemukan bahwa perolehan dokumen dengan VLSI bisa bagus dalam hal precision pada sedikit dokumen berperingkat teratas."

"Di Universitas Indonesia, tengah dikembangkan sebuah sistem penilaian esai secara otomatis berbasis web yang bernama SIMPLE-O. Sistem ini masih memilik beberapa kekurangan, yang salah satunya adalah ketidakmampuan sistem untuk mendeteksi kalimat negasi. Skripsi ini merancang dan kemudian menguji modul tambahan yang dapat mendeteksi kalimat negasi pada sistem SIMPLE-O. Modul tambahan tersebut mendeteksi kata negasi (“tidak” dan “bukan”) kemudian menggabungkannya dengan kata yang akan dinegasikan dengan kata hubung (-). Bila kata kunci atau kata bobot yang dinegasikan, maka nilai user tidak akan bertambah. Program-program yang diujikan adalah program SIMPLE-O yang asli, program yang dapat mendeteksi negasi dengan input yang dipecah per 10 kata (Program Deteksi Negasi 1), dan program yang dapat mendeteksi negasi dengan input yang dipecah per kalimat (Program Deteksi Negasi 2). Nilai hasil proses program-program tersebut dibandingkan dengan nilai dari human rater. Dari analisis yang dilakukan didapatkan kesimpulan bahwa program deteksi negasi dapat diimplementasikan ke dalam sistem SIMPLE-O. Selain itu, program negasi yang paling baik untuk diimplementasikan adalah Program Deteksi Negasi 2.

---

In Universitas Indonesia, a web based automatic essay grading system named SIMPLE-O is currently being developed. This system still has some deficiencies, one of them is system’s inability to detect negation sentences. This essay devises and then tests additional module that can detect negation sentences in SIMPLE-O system. This additional module detects negation words (“tidak” and “bukan”), then combines them with words that will be negated with dash (-). If it’s keywords or weighted words that are negated, user’s score will not increase. The programs that are tested are real SIMPLE-O program, program that can detect negation with input being separated by 10 words (Negation Detection Program 1), and program that can detect negation with input being separated by a sentence (Negation Detection Program 2). Those scores of programs’ process result is compared with human rater scores. From the analysis that has been done, it can be concluded that negation detection program can be implemented into SIMPLE-O’s system. Beside that, the best negation program that can be implemented into SIMPLE-O’s system is Negation Detection Program 2."

"Semakin banyaknya dokumen pembicaraan menimbulkan kebutuhan untuk melakukan pencarian terhadap dokumen pembicaraan. Akan tetapi, metode perolehan informasi untuk dokumen teks tidak dapat langsung diterapkan pada dokumen pembicaraan. Isi dari dokumen pembicaraan adalah sinyal suara. Sinyal suara ini harus diproses terlebih dahulu agar didapat isi dari pembicaraan. Proses ini dinamakan pengenalan pembicaraan. Sistem perolehan informasi pembicaraan adalah sebuah sistem yang mengimplementasi teknik-teknik perolehan informasi dan menerapkannya kepada dokumen pembicaraan. Sinyal suara yang ada pada dokumen pembicaraan diproses terlebih dahulu dengan proses pengenalan pembicaraan agar didapat teks transkripsi pembicaraan. Sistem perolehan informasi pembicaraan melakukan pembuatan indeks berdasarkan teks pembicaraan hasil pengenalan pembicaraan.Penelitian ini menggunakan tiga koleksi dokumen. Koleksi pertama berisi 250 dokumen pembicaraan yang didapat dari pembicaraan telepon. Koleksi ini telah dibersihkan dari noise. Koleksi kedua berisi 100 dokumen pembicaraan yang didapat dari pembicaraan radio Pro3 Radio Republik Indonesia. Koleksi ketiga berisi 29.575 dokumen yang berasal dari pembicaraan telepon. Koleksi ketiga tidak dibersihkan dari noise. Word Error Rate dari tiap-tiap koleksi adalah 26.50%, 28.40%, dan 74.20%. Teknik-teknik yang diujicobakan adalah pembuatan indeks dengan masukan hasil pengenalan pembicaraan (Transkripsi), lima alternatif kata hasil pengenalan (Transkripsi-5), alternatif kata hasil pengenalan dengan probabilitas tinggi (Transkripsi-AB), pemetaan kata hasil pengenalan terhadap kamus pengucapan untuk mendapatkan rangkaian fonem (Transkripsi-Fonem), dan rangkaian fonem 3-gram (Transkripsi-3-gram). Selain dengan pengenalan pembicaraan, penelitian ini juga mencoba memberikan variasi pembuatan indeks dengan masukan dari hasil pengenalan pembicaraan yang telah dimodifikasi agar dapat mengenali fonem (Fonem). Setelah mendapatkan hasil fonem, rangkaian 3-gram juga dibuat dari hasil fonem yang didapat (Fonem-3-gram). Penelitian ini juga melakukan eksperimen dengan cara penggabungan indeks kata dan indeks."

"Indonesia adalah negara hukum, dimana setiap tata-tertib untuk mengatur roda pemerintahan dan masyarakat harus bersum_ber kepada peraturan yang tertulis. Peraturan itu dinamakan peraturan perundang-undangan, dan bentuk serta jenisnyapun baraneka macam. Yang berhak mengeluarkan peraturan adalah Permerintah, dan setiap waktu peraturan itu akan bertambah banyak jumlah dan macamnya, serta cakupan masalah yang diaturnya. Hal ini adalah wajar, karena dengan kemajuan jaman maka kebutuhan masyarakat bertambah kompleks, sehingga perlu diatur agar ketertiban terjamin. Dalam pada itu juga, perubahan politik yang terjadi dalam pemerintahan telah menimbulkan beberapa perubahan dari lembaga pembuat peraturan,, yang mengakibatkan bertambah banyak macam peraturan perundang-undangan. Keadaan ini ditambah pula dengan adanya beberapa peraturan yang masih bersumber kepada peraturan jaman Pemerintahan Hindia Belanda. Karena banyaknya jumlah dan jenis peraturan itu, maka mencari kembali peraturan perundang-undangan Indonesia pada dasarnya tidaklah mudah. Sampai kini di Indonesia tetap berlaku adagium yang menyatakan bahwa setiap orang dianggap mengetahui hukum (cq. peraturan perundang-undangan) yang berlaku sejak diumumkannya, yang berarti peraturan itu mengikat dengan segala konsekwensinya. Karena itu seharusnya ada alat untuk mencari atau memu_dahkan mencari kembali peraturan perundang-undangan yang _"

"Current research trends in 3D Face recognition system requires a special hardware for fast capturing face image data from multi angle view. To support this research, we had designed and implemented an automatic image data acquisition system using multi-camera for capturing facial images from 5o different angle views, which spanned horizontally from 180° from left to right, and vertically from horizontal up to 70o above the face. The system was designed using 30 IP cameras that were mounted on two rigid steel arms that had the form of three quarter of a circle, the two steel arms formed the angle of 90° to each other. At each arm, 15 IP cameras were mounted with 5o spacing vertically to each others. This arm was driven by a DC motor which was controlled by a microcontroller and supervised directly by a laptop computer along with the data acquisition activities. The software for capturing images was designed using C# GUI programming language. The system had been working in good condition and image-data were saved in JPEG format. Time duration of capturing images data for one object face expression with 30 times capturing for the whole angle views, was only 3 minutes 44.5 seconds with total number of 16,650 images collected. The delay time between two cameras capturing was less than 1 sec. This project is aimed to support the 3D face recognition research in the department"

"Sistem penilaian yang dilakukan oleh penilai manusia untuk menilai jawaban essay dalam jumlah besar dirasakan kurang efisien. Hal ini disebabkan karena penilai manusia memiliki keterbatasan fisik yang tidak dapat dihindari. Untuk meningkatkan efisiensi perlu dibuat suatu sistem penilaian yang pemeriksaannya cepat dan obyektifitias tetap terjaga. Pada tugas skripsi ini dilakukan perancangan dan implementasi interface software sistem penilaian essay otomatis serta aplikasi keamanan pada databasenya. Program aplikasi sistem penilaian essay otomatis ini berfungsi untuk menilai essay secara otomatis dengan menggunakan metode Latent Semantic Analysis atau LSA. Metode LSA adalah teori atau metoda untuk menyalin dan merepresentasikan arti kalimat dengan perhitungan matematis atau statistik. LSA mengkonversi essay ke dalam matriks. Setiap kata dalam paragraf kalimat direpresentasikan sebagai baris dan kolom matriks. Dengan menggunakan teknik matrik aljabar SVD (Singular Value Decomposition) dan normalisasi Frobenius. Selanjutnya sistem penilaian essay otomatis metode LSA ini diaplikasikan pada software berbasis web. Pada perancangannya sistem penilaian essay otomatis ini berupa algoritma yang terbagi menjadi beberapa bagian, dengan menggunakan bahasa UML (Unified Modelling Language). Dengan menggunakan metode ini maka interface user dapat dirancang secara lebih efisien dan terstruktur, mulai dari struktur program utama sampai kepada struktur program yang lebih spesifik di dalamnya. Faktor keamanan database diimplementasikan melalui proses enkripsi MD5 bagi password user dan aplikasi session pada aplikasi untuk mencegah user mengakses halaman yang bukan haknya. Dengan menggunakan enkripsi MD5 maka password user dapat lebih terproteksi, karena dengan enkripsi ini, input password user dengan panjang dan karakter yang bervariasi dapat diubah menjadi bit hexadesimal dengan panjang yang tetap dan merupakan proses satu arah (tidak reversibel). Sedangkan dengan menggunakan aplikasi session maka akses user pada sistem menjadi lebih terkontrol dan mencegah penggunaan sistem yang tidak semestinya. Untuk menguji performa dari sistem aplikasi ini dilakukan beberapa pengujian. Pengujian dilakukan dengan tujuan untuk mengetahui kecepatan sistem dalam melakukan proses penghitungan jawaban essay dengan menggunakan metode LSA, dengan cara memasukkan variasi panjang jawaban, jumlah kata kunci dan jumlah soal pada proses. Dari pengujian didapatkan bahwa jumlah soal, jumlah kata kunci dan panjang jawaban mempengaruhi kecepatan proses, semakin banyak jumlah soal, jumlah kata kunci dan panjang jawaban maka waktu proses yang dibutuhkan sistem juga semakin bertambah (hubungan positif) dengan korelasi sebesar 0,445872325 sampai 0,984473824."

"Sistem penilaian manual yang dilakukan manusia untuk memeriksa dan menilai jawaban ujian esei dalam skala besar dirasakan masih kurang efektif dan efisien. Oleh karena itu, perlu dibuat suatu sistem penilaian esei otomatis yang konsisten dan dilakukan secara terpusat sehingga dapat menghemat banyak waktu dan tenaga. Saat ini telah berkembang berbagai metode penilaian esei otomatis. Salah satu metode yang diterapkan adalah metode Latent Semantic Analysis (LSA). Penerapan ujian online dengan sistem penilaian esei otomatis LSA membutuhkan pengembangan fitur-fitur tertentu untuk mengoptimalkan kinerja sistem secara keseluruhan, diantaranya adalah penerapan fitur pendistribusian bahan ajar dengan modul pembelajaran dan fitur feedback evaluasi hasil ujian bagi mahasiswa. Fitur pendistribusian bahan ajar dengan modul pembelajaran memudahkan mahasiswa dalam mempelajari bahan ajar yang diberikan pengajar secara online. Setelah melakukan ujian, fitur feedback evaluasi hasil ujian berguna untuk mengukur kemampuan mahasiswa dalam hal penguasaan keseluruhan materi bahan ajar yang telah diberikan dosen selama proses pembelajaran. Beberapa pengujian dilakukan untuk mengetahui kinerja dari kedua fitur tersebut. Pada fitur pendistribusian bahan ajar dengan modul pembelajaran, pengujian dilakukan dengan menghitung waktu yang dibutuhkan untuk mengakses modul pembelajaran dengan variasi ukuran file modul. Melalui pengujian yang dilakukan, semakin besar ukuran file maka waktu yang dibutuhkan untuk mengakses modul akan semakin besar. Rata-rata kenaikan waktu yang dibutuhkan untuk mengakses modul pembelajaran dengan peningkatan tiap 50 KB dari ukuran file 50 - 1000 KB adalah sebesar 47,36 %. Sedangkan pada fitur feedback evaluasi hasil ujian bagi mahasiswa, pengujian dilakukan dengan menghitung waktu pengaksesan tampilan feedback dengan variasi jumlah jawaban ujian mahasiswa. Hasil pengujian menunjukkan bahwa semakin banyak jumlah jawaban ujian maka waktu yang dibutuhkan untuk mengakses tampilan feedback akan semakin besar. Rata-rata kenaikan waktu yang dibutuhkan untuk mengakses tampilan feedback dari 3 sampai 30 jawaban ujian mahasiswa adalah sebesar 1,95 %."

"Departemen Teknik Elektro Universitas Indonesia telah mengembangkan suatu sistem berbasis Latent Semantic Analysis (LSA) untuk mendeteksi plagiarisme pada karya tulis berbahasa Indonesia dan Inggris. Data keluaran sistem deteksi plagiarisme berbasis LSA adalah nilai frobenius norm, slice, dan pad. Pada skripsi ini akan menjelaskan serta memberikan analisis pada pengembangan sistem deteksi plagiarisme yang telah ada yaitu dengan menerapkan algoritma Support Vector Machine (SVM). Support Vector Machine (SVM) adalah suatu Learning Algoritm yang bertujuan untuk menemukan suatu hipotesis berupa bidang pemisah (hyperplan) terbaik dari sekumpulan data yang dapat dipisahkan secara linear maupun tidak linear. SVM akan memisahkan data hasil keluaran sistem deteksi plagiat bebasis LSA menjadi dua kelas yaitu "plagiat" dan "tidak plagiat" dengan menggunakan 2 metode yaitu kombinasi data input dan kombinasi data output dengan metode AND. Beberapa modifikasi terhadap imput program dilakukan diantaranya memvariasikan parameter-parameter pembelajaran dan memvariasikan data hasil keluaran program deteksi plagiarisme berbasis LSA. Hasil dari analisis serta pengujian yang telah dilakukan yaitu jika menggunakan parameter serta kombinasi data yang tepat, SVM mampu untuk meningkatkan akurasi sistem dari sistem yang menggunakan metode Learning Vector Quantization (LVQ) pada penelitian sebelumnya hingga menghasilkan akurasi sebesar 63,15% hal ini dilihat jika mempertimbangkan keseimbangan terhadap aspek presisi dan relevansi program sedangkan jika dilihat melalui presentase jumlah data yang berhasil diklasifikasikan dengan tepat, SVM mampu menghasilkan akurasi sebesar 97,04%.

---

Department of Electrical Engineering, University of Indonesia has developed a system based on Latent Semantic Analysis (LSA) to detect plagiarism between two paper written in different languages, which are Indonesian and English. The output data of plagiarism detection system are frobenius norm, slice, and pad. This thesis will explain and provide analysis of the development of plagiarism detection system that already exist by applying Support Vector Machine (SVM) algorithm.

Support Vector Machine (SVM) is a Learning Algorithm that aims to find a best hypothetical form called hyperplan to separated a set of data that can be separated linearly and nonlinearly. SVM will separate output data of plagiarism detection system into two classes, "plagiat" class and "tidak plagiat" class by using two methods: combination of input data method and output data combined with AND method. Some modifications to input program are made, such as variating the parameters of learning and variating the output data of plagiarism detection program.

The results of analysis and test that has been done are: if the system use correct parameters and correct combinations of the data, SVM is able to improve accuracy of the system from the last research that using Learning Vector Quantization (LVQ). The accuracy of SVM is 63,15% if considering the balance of precision and relevance of the program, while when viewed through a percentage of the amount of data that appropriately classified, the accuracy of SVM is 97.04%."

"Pada skripsi ini telah dilakukan modifikasi metode untuk membangun sistem pendeteksian plagiarisme yang disebut dengan LSA atau Latent Semantic Analysis. Metode ini bekerja dengan mengekstrak dan merepresentasikan konteks yang digunakan sebagai sebuah arti kata dengan memanfaatkan komputasi statistik untuk sejumlah korpus yang besar dari teks. Modifikasi yang diterapkan yaitu mengubah panjang definisi dokumen pada Term-Document Matrix serta mengubah metode pengisian matriks pada Term-Document Matrix dari metode frekuensi ke metode biner. Hasil keluaran LSA yang dapat menentukan keakurasian sistem akan bervariasi sebagai akibat modifikasi sistem. Skripsi ini juga akan membahas metode dan alur yang digunakan untuk menganalisa perbedaan hasil keluaran LSA serta menampilkan hasil pengolahan data keluaran LSA yang kemudian akan memberikan nilai keakuratan masing-masing variasi sistem.

---

This thesis has been modified method to build plagiarism detection system called LSA or Latent Semantic Analysi. This method works by extracting and representing context is used as a meaning of the word by using statistical computing to a large corpus of text. Modifications are applied by changing the length of the document definitions Term-Document Matrix and change the method of charging matrix in Term-Document Matrix of frequency to the binary method. The output of the LSA to determine the accuracy of the system will vary as a result of modifications to the system. This thesis will also discuss the methods and flow of used to analyze differences in the output of the LSA as well as displaying the data processing LSA output which will then provide the value of the accuracy of each of the various systems."