model ontologi pada...
TRANSCRIPT
MODEL ONTOLOGI PADA BIODIVERSITY
1Amelia Afrianti (50407085)
2Prof. Dr. I Wayan Simri Wicaksana, SSi., MEng
1Mahasiswa Teknik Informatika, Fakultas Teknologi Industri, Universitas Gunadarma,
[email protected] 2Dosen Tetap Universitas Gunadarma, [email protected]
ABSTRAKSI
Semakin berkembangnya dunia internet dan teknologi informasi membuat setiap kegiatan
di dunia ini membutuhkan informasi sebagai referensi. Informasi yang didapatkan bisa berupa
tingkat biodiversitas atau keanekaragaman hayati yang tinggi di kepulauan Indonesia.
Keanekaragaman ini dapat menyebabkan jenis spesies dengan karakteristik yang beraneka
ragam.
Melalui penulisan ini akan dibuat sebuah model ontology sebagai salah satu cara untuk
menyelesaikan masalah keanekaragaman informasi mengenai perubahan taksonomi. Model
ontology ini dapat menyajikan data sebagai informasi mengenai deskripsi data dan relasi antar
takson sesuai dengan tingkatan taksonomi berdasarkan data yang didapatkan dari LIPI. Selain
itu, untuk mengetahui tingkat kesamaan antara data taksonomi sebelum berubah dengan data
taksonomi sesudah berubah dengan menggunakan algoritma similarity.
Kata Kunci : Ontology, Biodiversity, Taksonomi, Algoritma Similarity
ABSTRACT
The growing world of internet and information technology makes every activity in the
world requires information as a reference. The information obtained can be a level of
biodiversity or high biodiversity in the Indonesian archipelago. This diversity can lead to species
with diverse characteristics.
Through this thesis will be made an ontology model as one way to solve the problem of
information regarding changes in taxonomic diversity. This ontology model can present data as
information concerning the description of the data and the relation between taxon according to
the taxonomic level based on data obtained from LIPI. In addition, to determine the degree of
similarity between taxonomic data before changing with taxonomic data after changing using
similarity algorithms.
Keywords : Ontology, Biodiversity, taxonomy, Similarity Algorithm
1. PENDAHULUAN
Semakin berkembangnya dunia Internet dan teknologi informasi membuat setiap kegiatan
di dunia ini membutuhkan informasi sebagai referensi. Hal ini menyebabkan sumber informasi
dapat diakses tanpa ada batasan waktu dan geografi. Informasi yang dicari bukan hanya sebatas
teknologi yang sedang berkembang saat ini tapi juga dapat berupa informasi mengenai
keanekaragaman makhluk hidup.
Kepulauan Indonesia memiliki tingkat biodiversitas atau kenakeragaman hayati yang
tinggi. Oleh karena itu memiliki jenis spesies dengan karakteristik yang beraneka ragam. Jika
suatu spesies dengan ciri-ciri yang sama terdapat di daerah lain dan ternyata kedua spesies
tersebut memiliki keterkaitan maka informasi tersebut akan dilihat melalui pemetaan apakah
spesies tersebut berada dalam hirarki yang sama.
Dalam hal informasi, tidak menjamin bahwa informasi dari sumber yang satu dengan
sumber yang lain sama. Khususnya dalam hal taksonomi yang mengalami perubahan pada salah
satu atau beberapa tingkatan. Hal-hal yang menyebabkan perubahan dalam taksonomi adalah
penggabungan antara dua grup dalam satu takson yang sama. Selain itu, dengan ditemukannya
spesies baru dan dengan adanya perubahan dalam salah satu tingkatan takson juga dapat
menyebabkan perubahan dalam taksonomi. Sehingga informasi yang didapatkan sehubungan
dengan perubahan taksonomi dapat beraneka ragam.
Tujuan penulisan skripsi ini adalah membentuk model ontology yang dapat menyajikan
data sebagai informasi mengenai deskripsi data dan relasi antar takson sesuai dengan tingkatan
taksonomi berdasarkan data yang didapatkan dari LIPI. Selain itu, untuk mengetahui tingkat
kesamaan antara data taksonomi sebelum berubah dengan data taksonmomi sesudah berubah
dengan menggunakan algoritma similarity.
2. LANDASAN TEORI
Pengertian Ontology Secara Umum
Pengertian ontology sangat beragam dan berubah sesuai dengan berjalannya waktu, ada
beberapa definisi ontology. Neches dan rekannya memberikan definisi awal tentang ontology
yaitu: "Sebuah ontology merupakan definisi dari pengertian dasar dan relasi vokabulari dari
sebuah area sebagaimana aturan dari kombinasi istilah dan relasi untuk mendefinisikan
vokabulari".
Secara umum, ontology digunakan pada Artificial Intelligence (AI) dan persentasi
pengetahuan. Segala bidang ilmu yang ada di dunia, dapat menggunakan metode ontology untuk
dapat berhubungan dan saling berkomunikasi dalam hal pertukaran informasi antara sistem-
sistem yang berbeda.
Pengertian Ontology Mapping
Mapping atau matching adalah operasi penting dalam domain aplikasi, seperti semantik
web, skema/ontologi terintegrasi, data warehouses, e-commerce, query mediation, dan lain-lain.
Ontology mapping atau pemetaan ontologi merupakan salah satu dari ontologi penelitian.
Ontology mapping juga merupakan upaya untuk meningkatkan pemetaan semantik yaitu
digunakan untuk menemukan korespondensi semantik antara elemen yang sama dari ontologi
yang berbeda.
Metode pada Ontology Mapping
Ontology mapping atau pemetaan ontologi merupakan sebuah metode untuk memetakan
komponen (kelas atau atribut) dari ontologi untuk komponen ontology lainnya. Kalfoglou dan
Schorlemme mengembangkan metode otomatis untuk pemetaan ontologi, yaitu IF-Map,
berdasarkan teori information flow Barwise- Seligman. Metode mereka mengacu pada dasar
pembuktian teoritis dari teori channel Barwise dan Seligman dan menyediakan cara sistematis
dan mekanis untuk menyebarkan pada sebuah lingkungan terdistribusi untuk melakukan
pemetaan ontologi antara berbagai ontologi yang berbeda.
Tools berdasarkan ontology mapping adalah MAFRA - MApping FRAmework
mendefinisikan struktur pemetaan spesifik dan fungsi transformasi untuk mentransfer dari satu
ontologi ke ontologi yang lain. Arsitektur MAFRA didasarkan pada infrastruktur KAON.
OntoMapper adalah pemetaan antara dua ontology berdasarkan kombinasi dari IR (information
retrieval) berdasarkan klasifikasi teks dan inferensi Bayesian. Pendekatan SKAT - A Semantic
Knowledge Articulation Tool berfokus pada identifikasi artikulasi yang lebih dari dua ontologi,
yaitu istilah dimana hubungan terjadi di antara sumber-sumber. SKAT didasarkan pada simple
lexical dan structural matching untuk interaksi dua sumber web.
Approach pada Skema Mapping
Skema mapping merupakan metode untuk mengembangkan relasi atau pemetaan dari
skema sumber ke skema target. Contoh tools atau approach dari skema mapping adalah sebagai
berikut: COMA (COmbining MAtch algorithm) didasarkan pada penggabungan algoritma
dengan cara yang fleksibel. CUPID merupakan algoritma yang mengacu hanya berdasarkan
skema. S-Match mengusulkan metode SAT sebagai approach untuk semantik level. Berikut ini
tabel approach pada skema mapping.
Tabel 1. Approach pada Skema Mapping
Approach Element
Syntatic
Element-
External
Structure-
Syntactic
Structure-
Semantic
Lainnya
CUPID string based,
language
based,
data types,
key
properties
auxiliary
thesauri,
synonyms,
hypernyms,
abbreviations
tree
matching
weighted by
leaves
hybrid,
heuristic
COMA string based,
language
based,
data type
auxiliary
thesauri,
synonyms,
hypernyms,
abbreviations,
alignment
reuse
DAG
matching
with a bias
towards of
leaf or
children
structures,
paths
hybrid,
heuristic
S-Match string based,
language
based
WordNet:
sense based,
gloss based
propositional
SAT
hybrid,
heuristic
and
formal
3. PEMBAHASAN
Pengertian dan Manfaat Biodiversity
Keanekaragaman hayati (biodiversitas) adalah keanekaragaman organisme yang
menunjukkan keseluruhan atau totalitas variasi gen, jenis, dan ekosistem pada suatu daerah.
Keseluruhan gen, jenis dan ekosistem merupakan dasar kehidupan di bumi. Mengingat
pentingnya keanekaragaman hayati bagi kehidupan maka keanekaragaman hayati perlu
dipelajari dan dilestarikan. Tingginya tingkat keanekaragaman hayati di permukaan bumi
mendorong ilmuwan mencari cara terbaik untuk mempelajarinya, yaitu dengan klasfikasi.
Orang semakin menyadari bahwa manfaat keanekaragaman hayati bagi peningkatan
kesejahteraan manusia sangat besar. Biodiversity atau keanekaragaman hayati ini memiliki
beberapa manfaat bagi manusia, diantaranya adalah nilai biologi, nilai pendidikan, nilai
estetika dan budaya, nilai ekologi, serta nilai religius.
Pengertian dan Manfaat Taksonomi
Kegiatan klasifikasi tidak lain adalah pembentukan kelompok-kelompok makhluk
hidup dengan cara mencari keseragaman ciri atau sifat di dalam keanekaragaman ciri yang
ada pada makhluk hidup tersebut. Makhluk hidup sangat banyak jumlahnya dan sangat
beranekaragam ciri dan sifatnya. Untuk mempelajarinya perlu dicari cara yang paling baik,
yaitu dengan melakukan pengelompokan atau klasifikasi makhluk hidup. Jadi tujuan
klasifikasi makhluk hidup adalah menyederhanakan obyek kajian, sekaligus mempermudah
dalam mengenali keanekaragaman makhluk hidup.
Setiap kelompok yang terbentuk dari hasil klasifikasi makhluk hidup, disebut
Takson. Lahirlah istilah taksonomi (takson = kelompok, nomos = hukum), atau juga disebut
sistematika (susunan dalam suatu sistem). Taksonomi yaitu ilmu tentang kelompok
organisme berdasarkan perbedaan kategori menurut karakter �fisiknya. Pengelompokan
atau karakterisasi akan dikelompokan didasarkan kesamaannya yang biasanya diwariskan
kepada keturunannya dari nenek moyangnya. Dalam biologi, taksonomi merupakan cabang
ilmu tersendiri yang mempelajari penggolongan atau sistematika makhluk hidup. Berikut
adalah tingkatan dalam taksonomi :
Kerajaan (Kingdom)
Tumbuhan/Hewan (Divisio/Phyllum)
Kelas (Classis)
Bangsa (Ordo)
Suku (Familia)
Marga (Genus)
Jenis (Spesies)
Langkah Pembuatan Ontology
Dalam pembuatan ontology secara teori memiliki beberapa langkah, yaitu
menentukan domain, membuat klasi�kasi, membuat taksonomi, mengisi property, melihat
glossary, dan melihat semantik.
Menentukan domain
Membuat klasifikasi
Membuat taksonomi
Mengisi property
Melihat glossary
Melihat Semantik
Algoritma Similarity
Algoritma similarity digunakan untuk mencari kesamaan antara data saat taksonominya
belum berubah dengan data yang taksonominya telah berubah. Dalam hal ini algoritma yang
digunakan memiliki cara kerja dengan mencocokan antara satu kelas dengan kelas yang lainnya
atau yang disebut juga dengan text similarity. Jika hasilnya menujukkan kesamaan maka diberi
nilai 1 dan jika hasilnya berbeda maka diberi nilai 0. Dengan menghitung total dari nilai
kesamaan yang dibagi dengan jumlah data yang ada maka didapatkan nilai similarity-nya. Input
yang diberikan untuk algoritma ini adalah set of superclass yang merupakan hasil dari eksekusi
perintah Sparql.
Input
1: Sparql ! Set of superclass
2: Text Similarity
3: Treshold/Limit Value
Steps
1: for i = 1 to 10 do
2: for j = 1 to 10 do
3: if sup 1 [i] = sup 2 [j]
4: m = m+1
5: if sup 1 [i] ! = sup 2 [i]
6: k [i] = get table name
7: end if
8: end if
9: end for
10: end for
11: calculate : set sim = m/10
Output :
1: Sim = m/10
2: k [i] = table name
Penjelasan dari algoritma similarity di atas adalah diberikan tiga input yang terdiri dari
set of superclass yang didapatkan dari hasil eksekusi Sparql, kemudian input yang kedua adalah
Text Similarity. Selanjutnya, untuk input yang ketiga adalah Treshold atau Limit Value yang
merupakan batasan untuk similarity yang didapatkan. Kemudian untuk langkah-langkahnya yang
pertama adalah digunakan dua perulangan menggunakan variabel i dan j. for i = 1 to 10 do
digunakan untuk mengambil data sebelum perubahan taksonomi dari data pertama sampai data
kesepuluh. Pada setiap pengambilan data dilanjutkan dengan perulangan kedua, yaitu for j = 1 to
10 do untuk mengambil data setelah perubahan taksonomi dari data pertama sampai data
kesepuluh. Kemudian terdapat kondisi if sup 1 [i] = sup 2 [j] yang digunakan untuk menentukan
kesamaan antara data pada perulangan satu yang dimasukkan pada variabel sup 1 ke i dengan
data pada perulangan kedua pada variabel sup 2 ke j. Variabel sup 1 menjelaskan set of
superclass dari data saat taksonomi sebelum berubah dan variabel sup 2 menjelaskan set of
superclass dari data taksonomi setelah berubah.
Selanjutnya untuk m = m+1 merupakan perhitungan yang digunakan untuk mencari total
nilai variabel sup 1 yang sama dengan variabel sup 2. Nilai dari variabel m dapat digunakan
sebagai nilai untuk mencari teks similarity antara data taksonomi sebelum berubah dengan data
taksonomi setelah berubah. Kemudian if sup 1 [i]!= sup 2 [i] merupakan suatu kondisi yang
digunakan untuk mencari nilai variabel sup 1 yang tidak sama dengan variabel sup 2. Jika
ditemukan nilai variabel sup 1 yang tidak sama dengan variabel sup 2 maka diambil tabel name
yang dimasukkan pada variabel k. Hal ini ditunjukkan pada sintaks berikut k [i] = get table name.
Kemudian setelah seluruh proses perulangan selesai, dilakukan penghitungan untuk mencari
similarity antara data taksonomi sebelum berubah dengan data taksonomi setelah berubah
dengan sintaks sebagai berikut calculate : set sim= m/10. Calculate digunakan untuk
menunjukkan proses penghitungan pada variabel sim. Variabel ini digunakan untuk menyimpan
hasil pembagian antara total teks similarity dibagi dengan banyaknya data yaitu sepuluh level
class. Hasil dari algoritma similarity ini terdapat output, yaitu nilai similarity pada variabel sim
dan table name pada variabel k. Nilai variabel sim harus sesuai dengan batasan nilai atau
treshold yang diberikan yaitu antara 0 sampai 1. Semakin besar nilai similarity pada variabel sim
maka semakin besar kesamaan data antara taksonomi sebelum berubah dengan taksonomi
sesudah berubah. Sedangkan nilai dari variabel k merupakan kumpulan dari data taksonomi yang
berbeda, untuk melihat letak perbedaan data pada tingkatan taksonominya.
4. HASIL DAN ANALISIS
Data Taksonomi
Data taksonomi yang dipergunakan meliputi sepuluh level class yang terdiri dari
kingdom, divisio, superclass, class, subclass, order, superfamily, family, genus, dan species. Data
ini diambil dari Lembaga Ilmu Pengetahuan Indonesia (LIPI) dan merupakan taksonomi dalam
dunia tumbuhan atau disebut dengan plantae. Kesepeluh level class ini terbagi menjadi empat
instances, dimana berdasarkan hasil penelusuran terhadap individual pada data ditemukan 4
instances yang mengalami perubahan pada salah satu atau lebih pada level class-nya yang dapat
dilihat pada tabel 4.1 - 4.4. Empat instances tersebut adalah empat jenis data yang
dikelompokkan berdasarkan spesies yang memiliki tingkat taksonomi yang berbeda-beda.
Tabel 2. Data 1
Tingkatan Sebelum Perubahan
Taksonomi
Sesudah Perubahan
Taksonomi
Kingdom Plantae Plantae
Divisio Magnoliophyta Magnoliophyta
Superclass Dicotyledons Dicotyledons
Class Magnoliopsida Magnoliopsida
Subclass Asteridae Asteridae
Order Scrophulariales Lamiales
Super family Acanthus Borage
family ACANTHACEAE BORAGINACEAE
Genus Acantea Trigonotis
Species fruticosa papuana
Tabel 3. Data 2
Tingkatan Sebelum Perubahan
Taksonomi
Sesudah Perubahan
Taksonomi
Kingdom Plantae Plantae
Divisio Magnoliophyta Magnoliophyta
Superclass Dicotyledons Dicotyledons
Class Magnoliopsida Magnoliopsida
Subclass Asteridae Asteridae
Order Lamiales Lamiales
Super family Borage Borage
family BORAGINACEAE BORAGINACEAE
Genus Trigonotis Trigonotis
Species - inobilita
Tabel 4. Data 3
Tingkatan Sebelum Perubahan
Taksonomi
Sesudah Perubahan
Taksonomi
Kingdom Plantae Plantae
Divisio Magnoliophyta Magnoliophyta
Superclass Dicotyledons Dicotyledons
Class Magnoliopsida Magnoliopsida
Subclass Asteridae Asteridae
Order Lamiales Lamiales
Super family Borage Borage
family BORAGINACEAE BORAGINACEAE
Genus Havilandia Trigonotis
Species papuana papuana
Tabel 5. Data 4
Tingkatan Sebelum Perubahan
Taksonomi
Sesudah Perubahan
Taksonomi
Kingdom Plantae Plantae
Divisio Magnoliophyta Magnoliophyta
Superclass Dicotyledons Dicotyledons
Class Magnoliopsida Magnoliopsida
Subclass Asteridae Asteridae
Order Lamiales Lamiales
Super family Borage Borage
family BORAGINACEAE BORAGINACEAE
Genus Cynoglossum Trigonotis
Species sp. inoblita
Perhitungan Similarity
Similarity adalah kesamaan dari dua data yang ada. Dalam hal ini adalah kesamaan antara
data saat taksonomi belum berubah dengan data saat taksonomi telah berubah. Untuk
menghitung similarity diperlukan sebuah algoritma tertentu yang membutuhkan inputan berupa
set of superclass dari data saat taksonomi belum berubah dengan yang sudah berubah.
Sparql
Untuk mencari set of superclass dan set of subclass pada Protégé khususnya digunakan
versi 3.2.1. Protégé versi ini memiliki plug-in yang dapat mencari set of superclass dan set of
subclass dengan menggunakan bahasa query yaitu Sparql. Sparql memiliki sintaks yang
menyerupai bahasa query lainnya. Bentuk umum dari sintaks Sparql adalah sebagai berikut.
SELECT ?subject ?object
WHERE { ?subject rdfs:subClassOf ?object }
Seperti pada sintaks query lainnya, perintah Select akan menampilkan data yang
diinginkan berdasarkan kondisi yang ditentukan. Pada Sparql kondisi yang ditentukan berbentuk
subjek-predikat-objek. Subjek dan objek merupakan variabel yang akan diberikan nilai dari data
yang dicari sedangkan predikat merupakan perintah spesifik yang dimiliki Sparql untuk mencari
data yang diinginkan. Untuk mencari nilai set of superclass dari ontology yang telah dibuat
dipergunakan perintah berikut.
SELECT *
WHERE {
?species rdfs:subClassOf (:nama_class_genus) .
?species rdfs:subClassOf ?genus .
?genus rdfs:subClassOf ?family .
?family rdfs:subClassOf ?superfamily.
?superfamily rdfs:subClassOf ?ordo .
?ordo rdfs:subClassOf ?subclass .
?subclass rdfs:subClassOf ?class .
?class rdfs:subClassOf ?superclass .
?superclass rdfs:subClassOf ?divisio .
?filum rdfs:subClassOf ?kingdom
}
Pada sintaks di atas terdapat tiga jenis variabel, yaitu tabel Name, predikat dan variable
class. Tabel name ditandai dengan lambang tanda tanya (?) di depan nama variabel. Predikat
yang dipergunakan adalah rdfs:subClassOf, yang digunakan untuk mencari nilai subclass dari
sebuah class sedangkan variabel class yang digunakan sebagai acuan dalam pencarian data
diawali dengan lambang titik dua (:) di depan nama variabel nya. Jika variabel pada kondisi
pertama diganti dengan nama class :Acanthea maka akan didapatkan set of superclass seperti
gambar berikut.
Gambar 1. Hasil Eksekusi Sparql
Hasil Perhitungan Tabel
Dalam melakukan perhitungan kesamaan data yang ada pada tabel, setiap data takson
yang sama sebelum perubahan taksonomi dengan sesudah perubahan taksonomi diberi nilai 1.
Sedangkan untuk data takson yang tidak sama sebelum perubahan taksonomi dengan sesudah
perubahan taksonomi diberi nilai 0. Data takson yang sama akan dimasukkan ke dalam variabel
S dan untuk data takson yang berbeda dimasukkan ke dalam variabel B. Perhitungan dilakukan
dengan menggunakan total nilai dari setiap data takson yang sama sebelum dan sesudah
perubahan taksonomi. Dengan total nilai tersebut dibagi dengan banyaknya data maka
didapatkan nilai similarity antara kedua data yang dimasukkan ke dalam variabel Sim.
Data tabel 1
S={(Plantae,Plantae), (Magnoliophyta, Magnoliophyta), (Dicotyledons, Dicotyledons),
(Magnoliopsida, Magnoliopsida), (Asteridae, Asteridae)}
B = {(Scrophulariales, Lamiales), (Achantus, Borage), (Acanthaceae, Boraginaceae),
(Acantea, Trigonotis), (Fruticosa, Papuana)}
Sim = Total Anggota Himpunan S
Banyaknya Data
Sim = 5/10
Sim = 0.5
Data tabel 2
S={(Plantae,Plantae), (Magnoliophyta, Magnoliophyta), (Dicotyledons, Dicotyledons),
(Magnoliopsida, Magnoliopsida), (Asteridae, Asteridae), (Lamiales, Lamiales), (Borage,
Borage), (Boraginaceae, Boraginaceae), (Trigonotis, trigonotis)}
B = {(-, Inobilita)}
Sim = Total Anggota Himpunan S
Banyaknya Data
Sim = 9/10
Sim = 0.9
Data tabel 3
S={(Plantae,Plantae), (Magnoliophyta, Magnoliophyta), (Dicotyledons, Dicotyledons),
(Magnoliopsida, Magnoliopsida), (Asteridae, Asteridae), (Lamiales, Lamiales), (Borage,
Borage), (Boraginaceae, Boraginaceae), (Papuana, Papuana)}
B = {(Havilandia, Trigonotis)}
Sim = Total Anggota Himpunan S
Banyaknya Data
Sim = 9/10
Sim = 0.9
Data tabel 4
S={(Plantae,Plantae), (Magnoliophyta, Magnoliophyta), (Dicotyledons, Dicotyledons),
(Magnoliopsida, Magnoliopsida), (Asteridae, Asteridae), (Lamiales, Lamiales), (Borage,
Borage), (Boraginaceae, Boraginaceae)}
B = {(Cynoglossum, Trigonotis), (sp., inobilita)}
Sim = Total Anggota Himpunan S
Banyaknya Data
Sim = 8/10
Sim = 0.8
5. PENUTUP
Kesimpulan
Penulisan ini berisi pembuatan model ontology pada keanekaragaman hayati atau
biodiversity yang dibuat pada Protégé versi 3 (tiga) dan 4 (empat) dengan menggunakan data
yang didapatkan dari Lembaga Ilmu Pengentahuan Indonesia (LIPI). Dari model ontology yang
dibuat, dihasilkan struktur hirarki taksonomi sesuai dengan tingkatan taksonominya. Selain itu,
dihasilkan juga property yang berupa deskripsi data dan relasi yang terjadi antar takson dalam
taksonomi. Dalam penyajian data taksonomi ini dibutuhkan atribut class, individual, object
property, dan data property yang dihubungkan dalam property assertions pada Protégé.
Kemudian terdapat suatu algoritma yang digunakan untuk mencari kesamaan antar data
sebelum perubahan taksonomi dengan data sesudah perubahan taksonomi yang disebut dengan
algoritma similarity. Algoritma similarity ini menggunakan hasil eksekusi dari Sparql yang
berupa set of superclass sebagai input-an dari tabel data. Algoritma ini akan menghasilkan nilai
kesamaan data dari data sebelum perubahan taksonomi dan sesudah perubahan taksonomi,
dimana semakin besar nilai tersebut maka semakin besar juga tingkat kesamaan antar takson dan
begitu juga sebaliknya. Selain itu, dengan algoritma ini dapat diketahui letak perbedaan takson
pada masing-masing tingkatan taksonomi yang dikumpulkan pada sebuah himpunan.
Saran
Pembuatan model ontology ini masih sangat sederhana karena adanya keterbatasan data.
Selain itu, data yang digunakan hanya berasal dari satu sumber saja yaitu didapatkan dari LIPI.
Kemudian data yang didapatkan ini pun tidak sepenuhnya lengkap, penulis hanya dapat
membaca beberapa data saja terlebih lagi hanya orang dalam bidang biologi yang dapat mengerti
cara membaca data ini. Untuk pengembangan model ontology ini, maka sebaiknya dibuat model
ontology dengan menggunakan data yang lebih lengkap dan dapat dimengerti secara umum.
Selain itu, algoritma yang dibuat masih sangat sederhana dengan menghasillkan dua output, yaitu
nilai similarity atau kesamaan data dan letak perbedaan takson pada tingkatan taksonomi. Oleh
karena itu, penulis menyarankan kepada siapa saja yang membaca penulisan ini, agar dapat
mengembangkan dan menyempurnakan model ontology dan algoritma similarity agar lebih baik
lagi.
DAFTAR PUSTAKA
[1] J. Barwise dan J. Seligman, Information Flow: The Logic of Distributed Systems, ser.
Cambridge Tracts in Theoretical Computer Science. Cambridge University Press, 1997,
vol. 44.
[2] A. Bernaras, I. Laresgoiti, dan J. Corera, “Building and reusing ontologies for electrical
network applications,” in Proceedings of the 12th European Conference on Artificial
Intelligence, 1996, pp. 298-302.
[3] W. N. Borst, “Construction of engineering ontologies for knowledge sharing and reuse,”
PhD thesis, University of Twente, Netherland, 5 September 1997.
[4] G. D. G. D. Calvanese dan M. Lenzerini, “Ontology of integration and integration of
ontologies,” in Proceedings of the 9th International Conference on Conceptual
Structures (ICCS'01), Stanford, CA, USA, August 2001.
[5] F.-B. dan Martínes-Béjar, “A cooperative framework for integrating ontologies,” Journal,
International Journal of Human-Computer Studies, 2002.
[6] H. Enderton, A Mathematical Introduction to Logic, 2nd edisi. Academic Press, January
2001.
[7] F. Giunchiglia, P. Shvaiko, dan M. Yatskevich, “S-match: An algorithm and an
implementation of semantic matching,” Technical Report DIT-04-015, Univeristy of
Trento, Trento-Italy, February 2004, also: In Proceedings of the European Semantic Web
Symposium, LNCS 3053, pp. 61-75, 2004.
[8] T. R. Gruber, ”A translation approach to portable ontology specifications,” Knowledge
Acquisition, vol. 5, no. 2, pp. 199-220, 1993.
[9] N. Guarino, “Formal ontology and information systems,” in Proceedings of FOIS.
Amsterdam: IOS Press, 1998, pp. 3-15.
[10] H. hai Do dan E. Rahm, “Coma - a system for flexible combination of schema matching
approaches,” in VLDB, 2002.
[11] Y. Kalfoglou dan M. Schorlemmer, “Information-flow-based ontology mapping,” in On
the Move to Meaningful Internet Systems 2002: CoopIS, DOA, and ODBASE., ser.
Lecture Notes in Computer Science, vol. 2519. Springer, 2002, pp. 1132-1151.
[12] R. Kent, “The information flow foundation for conceptual knowledge organization,” in
Proceedings of the 6th International Conference of the International Society for
Knowledge Organization (ISKO), Toronto, Canada, August 2000.
[13] A. Kiryakov, K. Simov, dan M. Dimitrov, “Ontomap: Portal for upper-level ontologies,”
in Proceedings of the 2nd International Conference on Formal Onto- logy in Information
Systems (FOIS'01), Ogunquit, Maine, USA, October 2001.
[14] M. Lacher dan G. Groh, “Facilitating the exchange of explicit knowledge through
ontology mappings,” in Proceedings of the 14th International FLAIRS conference, Key
West, FL, USA, May 2001.
[15] J. Madhavan, P. Bernstein, P. Domingos, dan A. Halevy, “Representing and reasoning
about mappings between domain models,” in Proceedings of the 18th National
Conference on Artificial Intelligence (AAAI'02), Edmonton, Alberta, Canada, August
2002.
[16] J. Madhavan, P. A. Bernstein, dan E. Rahm, “Generic schema matching with cupid,” in
Proceedings of the 27th International Conference on Very Large Data Bases, 2001, pp.
49-58.
[17] A. Maedche dan S. Staab, “Semi-automatic engineering of ontologies from texts,” in
Proceedings of the 12th International Conference on Software Engineering and
Knowledge Engineering (SEKE 2000), Chicago, IL, USA, July 2000, pp. 231-239.
[18] K. T. S. Michael C. Daconta, Leo J. Obrst, The Semantic Web: A guide to the future of
XML, Web Services and Knowledge Management. Indianapolis, Indiana: Wiley
Publishing, 2003.
[19] P. Mitra, G. Wiederhold, dan J. Jannink, “Semi-automatic integration of knowledge
sources,” in Proc. of the 2nd Int. Conf. On Information FUSION'99, 1999.
[20] R. Neches, R. Fikes, T. Finin, T. Gruber, R. Patil, T. Senator, dan W. Swartout,
“Enabling technology for knowledge sharing,” AI Magazine, 1991.
[21] N. F. Noy, “Semantic integration: a survey of ontology-based approaches,” in Proc. of
Workshop on Semantic Integration at SWC-2003, Sanibel Island, FL, 2003.
[22] S. Prasad, Y. Peng, dan T. Finin, “Using explicit information to map between two
ontologies,” in Proceedings of the AAMAS 2002 Wokshop on Ontologies in Agent
Systems (OAS'02), Bologna, Italy, July 2002.
[23] N. Silva dan J. Rocha, Ontology Mapping for Interoperability in Semantic Web, 2003.
[24] R. Studer, V. R. Benjamins, dan D. Fensel, “Knowledge engineering: Principles and
methods,” Data and Knowledge Engineering, vol. 25, pp. 161-197, 1998.
[25] I. W. S. Wicaksana, “Survei dan evaluasi metode pengembangan ontologi (survey and
evaluation of methodology of ontology development),” in Proc. Of KOMMIT 2004,
Jakarta&Depok, Agustus 2004, university Gunadarma.