IMPLEMENTASI TEXT MINING SEBAGAI MESIN PENCARI MENGGUNAKAN METODE TF/IDF DAN VECTOR SPACE BERBASIS WEBSITE

Abstrak – Aplikasi text mining untuk pencarian laporan tugas akhir dengan menggunakan metode TF/IDF dan vector space model berbasis web merupakan suatu aplikasi yang dirancang untuk memudahkan proses pencarian buku tugas akhir di perpustakaan. Dimana yang diprioritaskan dalam aplikasi ini adalah pencarian buku berdasarkan kata penting.  Aplikasi ini akan memberikan informasi yang lebih akurat dibandingkan dengan pencarian buku yang dilakukan secara manual. Dalam implementasinya penulis banyak menggunakan konsep text mining, sedangkan untuk mengurutkan hasil pencarian, aplikasi ini menggunakan metode TF/IDF dan vector space model. Perancangan sistem ini digambarkan dengan menggunakan bahasa pemodelan UML dan diimplementasikan dengan menggunakan sricpt PHP, Adobe DreamWeaver CS3 sebagai pengelola editor, dan MySQL sebagai pengelola basis data. Dengan adanya website untuk pencarian buku tugas akhir ini diharapkan dapat memberikan kemudahan kepada seluruh mahasiswa yang  akan melakukan pencarian buku di perpustakaan.

Kata Kunci: Text mining, TF/IDF, Vector space, Buku, Perpustakaan

1.  PENDAHULUAN

Dewasa ini, bidang pendidikan mengalami kemajuan yang cukup pesat. Istitusi pendidikan berskala besar seperti Univesitas Pendidikan Ganesha dengan jumlah jurusan yang lebih dari satu dan jumlah mahasiswa yang besar, telah banyak menghasilkan lulusan dari berbagai jurusan. Tentunya laporan tugas akhir sebagai syarat kelulusan mahasiswa disimpan untuk digunakan sebagai referensi bagi pihak-pihak yang membutuhkan seperti misalnya mahasiswa-mahasiwa yang sedang mengerjakan tugas akhir.

Dalam hal ini, perpustakaan Universitas Pendidikan Ganesha merupakan salah satu wadah yang menyediakan fasilitas dimana mahasiswa dapat mengakses layanan tugas akhir dari berbagai jurusan. Kumpulan tugas akhir tersebut akan terus bertambah jumlah dan jenisnya pada tiap semester. Adapun penyimpanan laporan tugas akhir tersebut dikelompokkan berdasarkan jurusan, sehingga apabila ada mahasiswa yang ingin mencari judul tugas akhir maka harus membaca daftar judul tugas akhir per jurusan.

Namun pada kenyataanya, mahasiswa mengalami kesulitan dalam mencari sekelompok tugas akhir berdasarkan kata penting tertentu, misalnya semua tugas akhir yang mengandung kata penting “database”. Mahasiswa biasanya mencari pada daftar Laporan tugas akhir jurusan tertentu, misalnya pada jurusan Manajemen Informatika. Padahal tidak menutup kemungkinan tugas akhir dari jurusan lainjuga berhubungan dengan “database”. Namun untuk mencari tugas akhir dari jurusan lain yang berhubungan dengan “database” harus dilakukan dengan manual atau memeriksa satu per satu Laporan tugas akhir dari tiap jurusan. Hal ini tentu akan sangat membosankan dan menyita waktu yang sangat banyak.

Untuk membantu memecahkan masalah di atas, penulis bermaksud untuk membuat suatu aplikasi semacam search engine untuk pencarian Laporan koleksi tugas akhir. Aplikasi ini akan melakukan pem-filter-an, penyimpanan kata penting pada tiap abstrak tugas akhir, menemukan dan menganalisa relasi antar abstrak, dan kemudian menampilkan hasilnya kepada user. Dengan aplikasi ini nantinya akan diperoleh list judul tugas akhir dari yang paling berhubungan dengan keyword yang di-input-kan oleh user sampai dengan yang apling sedikit hubungannya dengan keyword yang di-input-kan.

2. DATA MINING

Data Mining atau sering juga disebut dengan Knowledge Discovery in Database (KDD) merupakan proses untuk menemukan interesting knowledge dari sejumlah besar data yang disimpan baik di dalam database, datawarehouse atau tempat informasi penyimpanan lainnya. Data mining merupakan salah satu tahap yang terdapat di knowledge discovery.

3. TEXT MINING

Salah satu bagian lain dari Knowledge Discovery adalah Text Mining. Text Mining sering juga disebut dengan Text Data Mining (TDM) atau Knowledge Discovery in Textual Database (KDT).  Metode ini digunakan untuk menggali informasi dari data-data dalam bentuk teks seperti buku, makalah, paper, dan lain sebagainya. Secara umum text mining memiliki definisi menambang data yang berupa teks dimana sumber data biasanya didapatkan dari dokumen, dan tujuannya adalah mencari kata-kata yang dapat mewakili isi dari dokumen sehingga dapat dilakukan analisa keterhubungan antar dokumen.

Andre Kurniawan dan Hapnes Toba (2009) menyatakan bahwa, yang membedakan data mining dengan text mining adalah proses analisis terhadap suatu datanya. Data Mining atau KDD adalah proses untuk menemukan pengetahuan dari sejumlah besar data yang disimpan baik di dalam databases, data warehouses atau tempat penyimpanan informasi lainnya. Sedangkan untuk text mining sering disebut dengan Keyword-Based Association Analysis. Keyword-Based Association Analysis merupakan sebuah analisa yang mengumpulkan keywords atau terms (istilah) yang sering muncul secara bersamaan dan kemudian menemukan hubungan asosiasi dan korelasi diantara keywords atau terms itu.

Secara garis besar dalam melakukan implementasi text mining terdiri dari dua tahap besar yaitu pre-processing dan processing.

a. Preprocessing

Tahap preprocessing adalah tahap dimana aplikasi melakukan seleksi data yang akan diproses pada setiap dokumen. Setiap kata akan dipecah-pecah menjadi struktur bagian kecil yang nantinya akan mempunyai makna sempit. Ada beberapa hal yang perlu dilakukan pada tahap pre-processing ini, yaitu:

1. Tokenizing
2. Filtering
3. Stemming

Tujuan dilakukan pre-processing adalah memilih setiap kata dari dokumen dan merubahnya menjadi kata dasar yang memiliki arti sempit.

• Tokenizing
Tokenizing atau parsing adalah sebuah proses yang dilakukan sesorang untuk menjadikan sebuah kalimat menjadi lebih bermakna atau berarti dengan cara memecah kalimat tersebut menjadi kata-kata atau frase-frase. Tokenizing dalam pembuatan aplikasi text mining ini merupakan proses penguraian abstrak yang semula berupa kalimat-kalimat berisi kata-kata dan tanda pemisah antar kata seperti titik (.), koma (,), spasi dan tanda pemisah lain menjadi kata-kata saja baik itu berupa kata penting maupun kata tidak penting.

 
• Filtering
Tahap filtering adalah tahap mengambil kata-kata penting dari hasil token. Dimana dalam tahap ini bisa digunakakan algoritma stoplist (membuang kata yang kurang penting) atau wordlist (menyimpan kata penting). Dalam tahap ini penulis menggunakan algoritma stoplist. Stoplist / stopword adalah kata-kata yang tidak deskriptif yang dapat dibuang. Contoh stopwords adalah “yang”, “dan”, “di”, “dari” dan seterusnya. Proses ini akan menghasilkan daftar istilah beserta informasi tambahan seperti frekuensi dan posisi yang akan digunakan dalam proses selanjutnya.

• Stemming
Tahap stemming adalah tahap mencari root kata dari tiap kata hasil filtering. Pada tahap ini dilakukan proses pengembalian berbagai bentukan kata ke dalam suatu representasi yang sama. Atau dengan kata lain pada tahap ini dilakukan proses penghilangan prefiks dan sufiks dari kueri dan istilah-istilah yang dihasilkan dari proses filtering. Stemming dilakukan atas dasar asumsi bahwa kata-kata yang memiliki stem yang sama dianggap memiliki makna yang serupa sehingga pengguna tidak keberatan untuk memperoleh dokumen-dokumen yang di dalamnya terdapat kata-kata dengan stem yang sama dengan kuerinya.

Pada intinya proses ini mempunyai dua tujuan, yaitu (1) dalam hal efisiensi, stemming mengurangi jumlah kata-kata unik dalam indeks sehingga mengurangi kebutuhan ruang penyimpanan dan mempercepat proses pencarian. (2) dalam hal keefektifan, stemming mengurangi recall dengan mengurangi bentuk-bentuk kata ke bentuk dasarnya atau stem-nya. Sehingga dokumen-dokumen yang menyertakan suatu kata dalam berbagai bentuknya memiliki kecenderungan yang sama untuk ditemukembalikan. Hal tersebut tidak akan diperoleh jika tiap bentuk suatu kata disimpan secara terpisah dalam indeks.

b. Processing

Tahap yang kedua adalah melakukan processing. Tahap ini merupakan tahap inti dimana setiap kata akan diolah dengan algoritma tertentu, yang dalam hal ini penulis menggunkan algoritma TF/IDF dan vector space model sehingga mempunyai bobot terhadap setiap dokumen yang akan diseleksi. Tahap ini sering disebut juga dengan Analizing. Dalam tahap processing, dokumen akan dianalisa oleh aplikasi. Secara umum terdapat dua jenis metode yaitu metode yang tidak melakukan perhitungan bobot kalimat dan yang melakukan perhitungan bobot kalimat. Metode yang tidak menghitung bobot kalimat hanya mengambil beberapa kalimat awal dan akhir. Metode-metode yang menghitung bobot kalimat menggunakan bobot term (kata maupun pasangan kata) dari setiap term yang terdapat dalam kalimat tersebut.

Dalam aplikasi ini digunakan metode yang menghitung bobot (term), dimana bobot term diperoleh dengan melakukan perhitungan terhadap Term Frequency dan Inverse Document Frequency dari term tersebut yaitu TF/IDF. Penerapan terhadap dokumen akan dilakukan dengan menggunakan kombinasi dari algoritma TF/IDF dan vector space. 

4. TF-IDF (Term Frequency-Inverse Document Frequency)

Metode TF/IDF merupakan suatu cara untuk memberikan bobot hubungan suatu kata (term) terhadap dokumen (Rolly Intan, 2006). Metode ini akan mengabaikan setiap kata-kata yang tergolong tidak penting. Oleh sebab itu sebelum melakukan metode ini, proses stemmer harus dilakukan terlebih dahulu oleh sistem.

Metode ini memiliki empat proses yang berbeda untuk perhitungan nilai suatu kalimat, antara lain:

• Kecocokan kata-kata pada kalimat dengan daftar kata kunci/keyword. Idenya adalah semakin suatu kalimat memiliki nilai yang tinggi, maka kalimat tersebut semakin penting keberadaanya dalam suatu artikel.
• Menghitung frekuensi kata-kata suatu kalimat terhadap keseluruhan artikel dan hasilnya akan dibagi dengan jumlah kata dalam suatu artikel. Alasannya adalah semakin tinggi frekuensi kata tersebut di dalam suatu artikel, maka kalimat yang memiliki kata tersebut semakin penting keberadaanya di dalam suatu artikel.
• Bagian ketiga ini sangat sederhana yaitu hanya melihat posisi kalimat dalam suatu artikel. Misalkan untuk 10 (sepuluh) kalimat pertama di dalam sutu artikel akan mendapatkan nilai 2 (dua) sedangkan yang lain akan mendapatkan nilai 1 (satu). Idenya adalah semakin kalimat itu berada diawal artikel maka akan memiliki informasi yang penting. Dalam hal ini digunakan metode deduktif induktif sesuai kaidah bahasa Indonesia. Kalimat pertama dan terakhir dari setiap paragraf akan diberi nilai 2 sedangkan yang lain akan diberi nilai 1.
• Bagian keempat sangat berhubungan dengan pemetaan artikel. Karena pada bagian ini akan dihitung jumlah relasi suatu kalimat di dalam artikel. Idenya adalah semakin suatu kalimat memiliki relasi yang banyak dengan kalimat yang lainnya di dalam suatu artikel maka kalimat tersebut kemungkinan mendiskusikan topik utama suatu artikel sehingga kalimat tersebut semakin penting keberadaannya di dalam artikel tersebut. 

                

Secara umum formula yang digunakan untuk menghitung bobot (w) dari setiap dokumen terhadap kata kunci adalah

Setelah bobot (W) masing-masing dokumen diketahui, maka dilakukan proses sorting/pengurutan dimana semakin besar nilai W, semakin besar tingkat similaritas dokumen tersebut terhadap kata yang dicari, dan demikian juga sebaliknya. Berikut ini adalah ilustrasi dari penerapan algoritma TF/IDF dalam aplikasi text mining: 

Setelah melalui proses filtering dan stemming maka kata “antar” pada dokumen kedua serta kata “dalam” dan “terdapat” pada dokumen ketiga dihapus. Sangat jelas dalam tahap ini dilakukan pada proses filtering dengan menggunakan algoritma stoplist (membuang kata yang tidak penting). Hasil perhitungannya dapa dilihat pada Tabel 2.1.

Tabel 2.1 Tabel perhitungan dengan TF/IDF

Dari tabel diatas dapat diklasifikasikan bahwa nilai:

            bobot (W) untuk D1 = 0.176+0 = 0.176

            bobot (W) untuk D2 = 0+0.176 = 0.176

            bobot (W) untuk D3 = 0.176+0.352 = 0.528

          

Dari hasil tersebut, dapat dilihat bahwa nilai bobot untuk D1 dan D2 adalah sama. Apabila dilakukan sorting juga tidak akan dapat mengurutkan secara tepat, karena nilai W keduanya sama. Untuk mengatasi hal tersebut maka digunakan algoritma vector space model yang lebih terperinci akan dijelaskan pada sub bab berikutnya.

5. VECTOR SPACE MODEL 

Algoritma ini merupakan kombinasi yang dilakukan setelah dokumen dihitung setelah dokumen dihitung bobotnya dengan menggunkan algoritma TF/IDF. Algoritma ini diterapkan ketika bobot dari perhitungan TF/IDF memiliki derajat bobot yang sama antar dokumen. Algoritma ini akan mengatasi bobot yang sama untuk setiap dokumen yang akan dibandingkan.

Ide dari algoritma ini adalah dengan menghitung nilai cosinus sudut dari dua vector yaitu W dari tiap dokumen dan W dari kata kunci. Adapun rumus formulanya yaitu:

Penyelesaian lanjutan dari contoh kasus di atas dapat dilihat pada Tabel 2.2.

Tabel 2.2 Hasil perhitungan menggunakan vector space

6. HASIL DAN PEMBAHASAN

6.1 Rancangan Sistem

Rancangan sistem dari Aplikasi Text Mining Untuk Pencarian Laporan Tugas Akhir Menggunakan Metode TF/IDF Dan Vector Space Berbasis Web digambarkan menggunakan diagram usecase. Diagram Usecase menjelaskan apa yang dilakukan oleh sistem dan siapa saja yang berinteraksi dengam sistem. Diagram usecase juga mengambarkan fungsionalitas yang diharapkan dari sistem yang dibuat. Selain itu diagram usecase juga menggambarkan interaksi antara aktor didalam sistem tersebut. Diagran usecase dari Aplikasi Text Mining Untuk Pencarian Laporan Tugas Akhir Menggunakan Metode TF/IDF Dan Vector Space Berbasis Web dapat dilihat pada Gambar 1.

a. Activity Preprocessing

Pertama-tama sistem akan menampilkan form preprocessing. Kemudian admin akan diminta untuk memilih jurusan dan kode laporan tugas akhir yang akan di mining. Setelah itu akan tampil abstrak tugas akhir dari kode buku tugas akhir yang dipilih. Kemudian sistem akan melakukan preprocessing terhadap abstrak yang telah dipilih. Tahap preprocessing disini meliputi tokenizing, filtering, dan stemming.

Setelah ketiga tahap preprocessing dilakukan oleh sistem, maka hasil token, filter, dan stemming akan ditampilkan kembali kepada admin. Hasil akhir dari tahap preprocessing ini berupa sekumpulan kata-kata penting dari abstrak tugas akhir yang dipilih. Kemudian sistem akan meminta admin untuk mengoreksi hasil preprocessing yang telah dilakukan oleh sistem itu sendiri. Koreksi yang dimaksud adalah update dan delete data. Update dilakukan untuk memperbaiki hasil preprocessing yang kurang tepat. Sedangkan delete dilakukan untuk menghapus kata-kata tak penting yang masuk ke tabel kata penting.

Agar lebih jelas, diagram activity preprocessing dapat dilihat pada Gambar 2.

b. Activity Processing

Processing hanya akan dijalankan jika user melakukan pencarian laporan tugas akhir. Pertama-tama akan ditampilkan form search laporan tugas akhir, kemudian user akan diminta untuk meng-entry-kan keyword yang ingin dicari. Sistem akan melakukan pengecekan (search/processing) ke dalam tabel kata penting. Jika data ditemukan, maka hasil search akan ditampilkan kepada guest beserta dengan hasil perhitungannya. Dimana hasilnya akan diurutkan secara ascending (dari besar ke kecil). Dalam sistem ini, programmer menggunakan metode TF/IDF dan vector space model untuk mengurutkan hasil search. Langkah-langkah perhitungan (pemberian bobot) kata penting abstrak tugas akhir terhadap keyword (kata yang ingin dicari) dapat dilihat pada landasan teori laporan ini. Hasil search yang ditampilkan berupa judul laporan tugas akhir yang mengandung kata terbanyak sampai yang terkecil terhadap keyword yang di-entry-kan oleh guest. 

Agar lebih jelas, diagram activity processing dapat dilihat pada Gambar 3.

c. Diagram Sequence Preprocessing

Hasil  akhir dari tahap preprocessing ini berupa sekumpulan kata penting dari abstrak TA yang diolah, dimana setiap kata penting akan diberikan bobot (jumlah) seberapa banyak kata penting yang bersangkutan terdapat dalam abstrak TA yang diolah. Kata penting dari hasil preprocessing akan disimpan pada tabel tbkata_penting. Diagram sequence preprocessing dapat dilihat pada Gambar 4.

d. Diagram Sequence Processing

Untuk melakukan pencarian laporan tugas akhir, user diminta untuk meng-input-kan jurusan dan keyword (kata yang akan dicari pada abstrak TA). Setelah user mengeksekusi sistem, maka secara otomatis sistem akan menyimpan keyword yang dimasukkan oleh user ke tbkeyword_search (sebelum data disimpan, keyword yang di-inputkan oleh user juga akan mengalami proses mining). Kemudian sistem akan melakukan pencarian ke dalam tbkata_penting yang akan dilanjutkan dengan tahap processing dengan menggunakan metode TF/IDF dan Vector Space. Hasil dari proses ini berupa sekumpulan judul TA yang isi abstraknya mempunyai relasi dengan keyword yang di-inputkan oleh user. Diagram sequence processing dapat dilihat pada Gambar 5.

e. Class Diagram Preprocessing

f. Class Diagram Processing

6.2 Menelusuri Website Text Mining Untuk Pencarian Laporan Tugas Akhir 

a. Halaman Utama Admin 

Halaman ini akan ditampilkan jika admin berhasil melakukan login sistem. Sistem akan menunggu admin untuk melakukan aktifitas sesuai dengan hak aksesnya. Aktifitas yang dimaksud seperti misalnya melakukan manipulasi input data, edit data, delete data, mengolah abstrak tugas akhir, dan lain-lain. Rancangan antar muka halaman utama admin dapat dilihat pada Gambar 6

b. Halaman Input Data Laporan

Halaman ini digunakan untuk melakukan input data laporan tugas akhir. Jika data yang dimasukkan admin lengkap dan valid maka data akan disimpan ke dalam tabel yang kemudian akan ditampilkan kembali kepada admin (lihat rancangan antarmuka halaman list data laporan tugas akhir). Rancangan antarmuka halaman manipulasi input data dapat dilihat pada Gambar 7.  

c. Halaman Preprocessing Abstrak

Halaman ini digunakan jika admin ingin melakukan proses mining terhadap laporan tugas akhir yang telah di-input-kan sebelumnya. Proses mining yang dimaksud adalah tokenizing, filtering dan stemming. Untuk memproses data abstrak maka admin harus melengkapi option-option yang telah disediakan dalam form. Jika proses berhasil, maka akan ditampilkan form hasil preprocessing. Rancangan antarmuka preprocessing dapat dilihat pada Gambar 8.

d. Halaman Pencarian Laporan Tugas Akhir 

Halaman ini menyediakan fasilitas kepada user untuk melakukan pencarian laporan. Agar form bisa dieksekusi dengan baik oleh sistem, maka user diharuskan untuk mengisi option-option yang telah disediakan di dalam form. Jika pencarian laporan berhasil maka akan ditampilkan form hasil pencarian. Rancangan antarmuka halaman ini dapat dilihat pada Gambar 9.  

Aplikasi Text Mining Untuk Pencarian Laporan Tugas Akhir Dengan Menggunakan Metode TF/IDF Dan Vector Space Berbasis Web dibangun dengan tujuan untuk mempermudah proses pencarian laporan tugas akhir di perpustakaan. Dimana yang diprioritaskan dalam aplikasi ini adalah pencarian laporan tugas akhir berdasarkan kata penting. Aplikasi ini akan memberikan informasi yang lebih akurat dibandingkan dengan pencarian laporan tugas akhir yang dilakukan secara manual, karena pencarian yang dilakukan oleh sistem langsung menjurus ke isi abstrak laporan tugas akhir. Sedangkan hasil dari pencarian laporan tugas akhir, akan diurutkan mulai dari kata penting terbanyak sampai laporan tugas akhir yang mangndung kata penting paling sedikit terhadap kata kunci.

Dalam implementasinya penulis banyak menggunakan konsep text mining untuk melakukan tokenizing, filtering, dan stemming terhadap abstrak laporan tugas akhir yang nantinya hasil mining ini akan dibandingkan dengan kata kunci sebagai hasil pencarian yang dilakukan oleh pengguna sistem. Sedangkan untuk mengurutkan hasil pencarian, penulis menggunakan metode TF/IDF dan vector space model. Kedua metode ini akan memberikan bobot terhadap kata penting abstrak tugas akhir.

Aplikasi Text Mining Untuk Pencarian Laporan Tugas Akhir Dengan Menggunakan Metode TF/IDF Dan Vector Space Berbasis Web dabangun dengan menggunakan bahasa pemrograman PHP sebagai script untuk mengolah dan memproses data secara interaktif dan dinamis, selain itu didalamnya juga disisipkan beberapa script Java Script sebagai penunjang dalam penyelesaian aplikasi ini. Sedangakan MySQL digunakan untuk mengolah basis datanya dan Adobe DreamWeaver CS3  sebagai editornya.

7. TERIMA KASIH

Penulis mengucapkan terimakasih kepada semua pihak yang telah membantu penulis baik dalam pelaksanaan praktek kerja lapangan maupun dalam pembuatan laporan ini. Terimakasih kepada pihak-pihak sebagai berikut.

1. Ibu Dra. I Dewa Ayu Made Budhyani, M.Pd. selaku Dekan Fakultas Teknikdan Kejuruan, Universitas Pendidikan Ganesha.
2. Bapak Komang Setemen, S.Si., M.T. selaku Ketua Jurusan Manajemen Informatika
3. Ibu Luh Joni Erawati Dewi, S.T. selaku pembimbing I yang telah bersedia meluangkan waktunya untuk membimbing penulis dalam menyusun laporan maupun pembuatan program.
4. Ibu Ni Wayan Marti, S.Kom., M.Kom. selaku pembimbing II yang telah bersedia meluangkan waktunya untuk membimbing penulis dalam menyusun laporan maupun pembuatan program.
5. Seluruh jajaran staf jurusan dan dosen Manajemen Informatika yang telah membantu penyusunan Tugas Akhi ini.
6. Keluarga besar tercinta yang telah memberi semangat, dukungan serta doa sehingga Tugas Akhir ini dapat diselesaikan tepat pada waktunya.
7. Gede Arista Dharma Suputra, Made Ariana Usadha, dan Putu Surya Antara yang telah membantu penulis dalam menyusun laporan Tugas Akhir maupun pembuatan program.
8. Semua pihak yang telah membantu penyusunan Tugas Akhir ini yang tidak dapat penulis sebutkan satu persatu.

DAFTAR REFERENSI 

[1] Anonim, 2005. “Asosiation Rules    Algorithm”. Tersedia pada http://dewey.petra.ac.id/jiunkpe_dg_7498.html (diakses tanggal 11 Mei 2010)

[2] Fatansyah. 1999. Basis Data. Bandung: Informatika.

[3] Intan, Rolly dan Andrew Defeng. 2006. Hard: Subject-Based Search Engine Menggunakan TF/IDF dan Jaccard’s Coefficien.

[4] Kadir, Abdul. 2001. Dasar Pemrograman Web Dinamis Menggunakan PHP. Yogyakarta: Penerbit Andi.

[5] Kristanto, Harianto. 2007. Konsep dan Perancangan Database. Yogyakarta: Penerbit Andi.

[6] Kurniawan, Andre dan Hapnes Toba. “Pembuatan Aplikasi Bergerak temu Ulang File Elektronik Berbahasa Indonesia Dengan Memanfaatkan Java CLDC”. Makalah disajikan dalam Seminar Aplikasi Teknologi Informasi 2009 (SNATI   2009). Universitas Kristen Maranatha. Yogyakarta 20 Juni 2009.

[7] Paramartha, Yudhi. Pembangunan Website Social Network Service. Tugas Akhir (tidak diterbitkan). Jurusan Manajemen Informatika Undiksha 2009, Undiksha.

[8] Putrayasa, Ida Bagus. Kalimat Efektif (Diksi, Struktur, dan Logika). 2007. Bandung: PT Refika Aditama

[9] Suprionto, Dodit. Buku Pintar Pemrograman PHP. 2008. Bandung: OASE Media