perancangan dan pembangunan modul rekomendasi section...

PERANCANGAN DAN PEMBANGUNAN MODUL REKOMENDASI SECTION

PADA OPEN JOURNAL SYSTEM (OJS)

(Kata kunci: Jurnal, K-Nearest Neighbor, Karya Ilmiah, Klasifikasi

PRESENTASI TUGAS AKHIR – KI091391

Penyusun Tugas Akhir :

Achmad Zarman Syahran

(NRP: 5108.100.191)

Dosen Pembimbing :

Daniel Oranova S., S.Kom., M.Sc., P.D.Eng.

Ahmad Saikhu, S.Si., M.T.

Juli 2013 Tugas Akhir - KI091391 1


KERANGKA PRESENTASI

Pendahuluan

Tinjauan Pustaka

Analisis dan Desain

Implementasi

Implementasi

Tinjauan Pustaka


KERANGKA PRESENTASI

Pendahuluan

Analisis dan Desain

LATAR BELAKANG(1)

“Untuk lulus program Sarjana harusmenghasilkan makalah yang terbit pada jurnalilmiah”.(Surat Edaran Dirjen DIKTI No 152/E/T/2012 Tanggal 27 Januari 2012).

4Juli 2013 Tugas Akhir - KI091391

LATAR BELAKANG(2)


ITS memfasilitasi mahasiswanya untukmempublikasikan sebuah karya ilmiahdengan membuat situs POMITS

Open Journal Systemsebuah sistem manajemen konten berbasis web yang khusus dibuat untukmenangani keseluruhan proses manajemen publikasi ilmiah dari proses call for paper, peer review, hingga penerbitan dalam bentuk daring.

OPEN JOURNAL SYSTEM

610 Juli 2013 Tugas Akhir - KI091391

MASALAH(1)


Paper Tugas Akhir

subm

it

membuat

MASALAH(2)


MASALAH(2)


Jurnal

section A

section B

section C

section D

SOLUSI


Open Journal System

1. Judul2. Abstraksi3. Kata Kunci

Recommended Section

OJS Plugins Generic Plugins


KERANGKA PRESENTASI

Pendahuluan

Tinjauan Pustaka

Analisis dan Desain

Implementasi

POMITS

Open Journal System

PHP

Data Access Object

PHP

Data Access Object

POMITS


KERANGKA PRESENTASI

Tinjauan Pustaka

Open Journal System

KERANGKA PRESENTASI

Tinjauan Pustaka

Sistem Temu Kembali Informasi:

1. Prapemrosesan• Tokenisasi• Stopwords

• Stemming (Tala)

2. Model Ruang Vektor

3. Teknik Pembobotan Tf-Idf

4. Cosine Similarity

K-Nearest Neighbor

STKI

Penghitungan Performa


K-Nearest Neighbor


1. Tujuan dari algoritma adalah menentukan kelas kelas atau kategoridari suatu objek berdasarkan pola dari k objek terdekatnya.

2. Dibutuhkan tiga parameter yaitu himpunan data, jarak antar data dan nilai k.



• Akurasi adalah jumlah semua rekomendasi yang benar dibagi jumlahpercobaan.

• Presisi merupakan penghitungan akurasi dari kelas tertentu yang telah diprediksi sebelumnya.

• Recall merupakan penghitungan kemampuan dari sebuah metodeprediksi untuk menentukan kelas dari sebuah himpunan data dengantepat.

• 𝐹1Measure: Menggabungkan presisi dan recall dengan menggunakan

beban yang sama


KERANGKA PRESENTASI

Pendahuluan

Tinjauan Pustaka

Analisis dan Desain

Implementasi

Cara Kerja Umum Sistem

Arsitektur Perangkat Lunak

Spesifikasi Kebutuhan

Diagram Kasus Penggunaan



Pengguna(Journal Manager)

Pengguna (Author)

OJS Server

Akses situs jurnal

Plugin (Modul Rekomendasi Section)

Pengaturan modul rekomendasi

OJS DAO

Register

Prapemrosesan

Pembobotan Tf-Idf

Hasil disimpan ke dalam database

PLUGIN DAO

Menentukan k dokumen terdekat

Rekomendasi Kategori

Menampilkan rekomendasi

Dokumen Baru dihitung nilai

kesamaan cosine dengan dokumen

training

Meminta rekomendasiMetadata Artikel

System



1. Pembobotan per kata dari artikel yang telah dipublikasikan oleh situsPOMITS (pembuatan model klasifikasi).

2. Penyimpanan hasil pembobotan kata ke dalam basis data.3. Pembaruan hasil pembobotan terakhir.4. Penentuan kategori yang nilai kesamaannya merupakan nilai tertinggi dari

kategori-kategori yang ada.



System

Journal Manager

Author

memperbaharui model klasifikasi

mempersiapkan modul

membuat model klasifikasi

melakukan penyerahan artikel

meminta rekomendasi kategori

<<include>>

<<extend>>

<<extend>>



KERANGKA PRESENTASI

PendahuluanAnalisis dan Desain




Rangkaian Proses

Diagram Kelas

Rangkaian Proses(1)


Proses Membuat Model Klasifikasi

• Proses ini bertujuan untuk mendapatkanmetadata dari semua artikel yang telahdipublikasikan pada sebuah jurnal.Metadata yang diambil adalah judul,abstrak dan kata kunci yang berupa tipedata string/teks.

masukan: 1. jurnal

keluaran:2. judul, abstrak dan keyword dari banyak

artikel

metadata dokumen/artikelyang telah dipublikasi

STKI

Tf-Idf

1

Rangkaian Proses(2)



• Proses ini terdiri dari beberapa proses, yaitu:1. Tokenisasi, berguna untuk memecah

sebuah teks menjadi token-tokendengan menghilangkan tanda baca, spasidan simbol.

2. Stop word, berguna untukmenghilangkan kata umum yang seringmuncul sehingga kata tersebut bernilaikecil.

3. Stemming, berguna untuk mendapatkankata dasar dari kata yang berimbuhan.

4. Vector Space Model (VSM), untukmerepresentasikan token besertafrekuensinya pada sebuah dokumen

metadata dokumen/artikelyang telah dipublikasi

STKI

Tf-Idf

2

Rangkaian Proses(3)



• Proses ini akan memberikan bobot nilai padakata-kata dengan rumus sebagai berikut: metadata dokumen/artikel

yang telah dipublikasi

STKI

Tf-Idf3

𝑡𝑓𝑖𝑑𝑓𝑡,𝑑 = log 1 + 𝑡𝑓𝑡,𝑑 × 𝑖𝑑𝑓𝑡

dengan

𝑖𝑑𝑓𝑡 = log𝑁

𝑑𝑓𝑡

Diagram Kelas


Diagram Kelas Membuat Model Klasifikasi

Kata<<entity>>

Artikel<<entity>> 1 1..*

PengelolaanPluginFrom<<boundary>>

pluginHandler<<control>>

Plugin<<entity>>

InstalasiHandler<<control>>

InstalasiPluginForm<<boundary>>

Journal Manager<<entity>>

1

1

1..*

1

1

1

1

1

1

1

1

1

1..* 1

Rangkaian Proses(1)


Proses Meminta Rekomendasi Kategori

• Proses yang sama sampai mendapatkannilai tf-idf per kata

metadata dokumen/artikelpermintaan

STKI

Tf-Idf

1

Cosine Similarity

K-Nearest Neighbor

Rangkaian Proses(2)



• Proses ini bertujuan untuk menghitungjarak antara dokumen permintaan(query) dengan dokumen latih denganmembandingkan masing-masing vektortf-idf-nya.


STKI

Tf-Idf

Cosine Similarity

K-Nearest Neighbor

2

Rangkaian Proses(3)



• Setelah mendapatkan masing-masingjarak dari dokumen permintaan dengansemua dokumen latih, maka denganmengambil dokumen yang memilikijarak terdekat (cosine similarityterbesar) sejumlah k, kemudiandidapatkanlah section dengan jumlahcosine similarity terbesar untuk dijadikansebuah rekomendasi.


STKI

Tf-Idf

Cosine Similarity

K-Nearest Neighbor3

Diagram Kelas


Author<<entiry>>

AuthorHandler<<control>>

11

AuthorForm<<boundary>>

1

1

RecommendationForm<<boundary>>

RecommendationHandler<<control>> 1 1

1

1

Kata<<entity>>

Artikel<<entity>>

1

10..*

1

0..* 1

1

1..*1

0..*

Diagram Kelas Meminta Rekomendasi Kategori


KERANGKA PRESENTASI

Pendahuluan

Tinjauan Pustaka

Analisis dan Desain

Implementasi

Implementasi Data

Implementasi Antarmuka

Implementasi Data


Tabel word_articles

Tabel word_articles_temp



Modul rekomendasi kategori terdapat pada daftar Generic Plugins



Antarmuka meminta rekomendasi kategori


KERANGKA PRESENTASI

Uji Coba

Kesimpulan

Saran

Uji Coba


• Fungsionalitaso Tabel basis data modul belum terinstal atau tersedia.

Uji Coba


• Fungsionalitaso Tabel basis data modul telah terinstal atau tersedia.

Uji Coba(2)


• Fungsionalitaso Instalasi Modul Rekomendasi

Uji Coba


• Fungsionalitaso Tautan rekomendasi pada halaman Author.

Uji Coba(3)


• Fungsionalitaso Uji coba meminta rekomendasi kategori

Uji Coba(4)


Performa klasifikasi K-Nearest Neighbor• Skenario Uji Coba:

1. Pengujian menggunakan data dari 2 issue dari Jurnal Teknis ITS (Vol. 1, No. 1, 2012 dan Vol. 2, No.1, 2013)

2. Untuk mendapatkan data latih dan data uji, dilakukan k-fold cross validation pada dataset yang digunakan

3. Uji coba dilakukan dengan mengubah nilai k dengan batasan jumlah term pada dokumen query adalah 10 term dengan nilai tf-idf terbesar

Uji Coba(5)


Performa klasifikasi K-Nearest Neighbor• Hasil Uji Coba:

k Akurasi Presisi Recall 𝑭𝟏

5 68.98 63.28 66.66 62.16

10 71.84 65.97 70.38 65.38

15 71.35 65.45 70.78 64.01

20 71.44 64.71 71.48 65.01

Uji Coba(6)


Performa klasifikasi K-Nearest Neighbor• Analisa Hasil Uji Coba

50.00

55.00

60.00

65.00

70.00

75.00

80.00

5 10 15 20

Nila

i (%

)

k

Akurasi Presisi Recall F-Measure

Dari hasil uji coba dapat disimpulkan bahwa KNN mendapatkan nilai optimal dengan nilai k = 10 dengan nilai akurasi sebesar 71,84%


KERANGKA PRESENTASI

Uji Coba

Kesimpulan

Saran

Kesimpulan


1. OJS merupakan suatu sistem yang tersusun secara rapi sehinggauntuk melakukan sebuah pengembangan sangat terbantu.

2. Pada uji coba yang dilakukan, modul rekomendasi kategorimenghasilkan performa terbaik dengan parameter sebagai berikut, nilai k = 10 dan batasan jumlah term pada dokumen permintaanadalah 10 term dengan nilai tf-idf terbesar. Performa yang dihasilkanadalah akurasi sebesar 71.84%, presisi sebesar 65.97%, recall sebesar 70.38% dan 𝐹1 sebesar 65.38.

3. Tingkat presisi, recall dan 𝐹1 yang dicapai pada modul rekomendasi

kategori berbeda kurang lebih 10% dengan tingkat presisi.

Saran


1. Rekomendasi kategori tidak hanya mengacu terhadap metadata dariartikel-artikel yang dipublikasi. Pengembang dapat menambahkanAuthor sebagai acuan untuk merekomendasi sebuah artikel.

2. Penambahan sebuah fitur penyerahan artikel ketika Authormemperoleh rekomendasi kategori dari artikel yang diminta. Authortidak harus memasukkan data artikel dari awal melainkanmenggunakan data yang sudah dimasukkan ketika memintarekomendasi kategori.

3. Penambahan pilihan bahasa sehingga rekomendasi kategori tidakterbatas pada bahasa tertentu saja.

10 Juli 2013 Tugas Akhir - KI091391 48

Implementasi

Tinjauan PustakaLatar Belakang


KERANGKA PRESENTASI

Pendahuluan

Analisis dan DesainRumusan Masalah

Batasan Masalah

Tujuan

LATAR BELAKANG


1. Kewajiban publikasi ilmiah bagi mahasiswa sebagai syarat kelulusan.

2. Salah satu cara publikasi ilmiah adalah melalui situs e-jurnal.

3. POMITS merupakan salah situs e-jurnal yang dikhususkan untukmahasiswa ITS.

4. Pada POMITS, penulis dapat memilih section untuk artikel yang hendak didaftarkan ke POMITS tetapi pilihan ini seringkali tidaksesuai dengan deskripsi dari section terkait.

SOLUSI


Dibuatlah sebuah modul OJS untuk merekomendasi sebuah kategoriapa yang sesuai dengan artikel yang hendak didaftarkan penulis.

RUMUSAN MASALAH


1. Bagaimana membuat sebuah modul rekomendasi kategori padaOpen Journal System (OJS) berdasarkan metadata dari artikelilmiah?

2. Bagaimana proses modul pada OJS merekomendasikan kategori darisebuah artikel ilmiah?

BATASAN MASALAH


Situs jurnal yang digunakan adalah situs POMITS yang menerapkan OJS sebagai sistemnya.

TUJUAN


Modul rekomendasi kategori pada OJS ini diharapkan akan mempermudah penulis dalam menentukan kategori untuk sebuah artikel ilmiah yang hendak didaftarkan ke dalam situs POMITS.


KERANGKA PRESENTASI

Pendahuluan

Tinjauan Pustaka

Analisis dan Desain

Implementasi

Open Journal System

POMITS

STKI

K-Nearest Neighbor

OPEN JOURNAL SYSTEM


Open Journal Systems atau OJS adalah sebuah sistem manajemenkonten berbasis web yang khusus dibuat untuk menangani keseluruhanproses manajemen publikasi ilmiah dari proses call for paper, peer review, hingga penerbitan dalam bentuk daring.

POMITS


Publikasi Online Mahasiswa Institut Teknologi Sepuluh Nopember(POMITS) merupakan media publikasi daring yang disediakan InstitutTeknologi Sepuluh Nopember (ITS) Surabaya yang diperuntukan untukpublikasi karya ilmiah yang diharapan mendorong kebudayaan ilmiahyang baik di kalangan civitas akademika.

POMITS


Halaman situs: ejurnal.its.ac.id

http://ejurnal.its.ac.id/

STKI


Sistem Temu Kembali Informasi:

1. Prapemrosesan• Tokenisasi• Stopwords

• Stemming (Tala)

2. Model Ruang Vektor

3. Teknik Pembobotan Tf-Idf

4. Cosine Similarity

K-NEAREST NEIGHBOR


1. Tujuan dari algoritma adalah menentukan kelas kelas atau kategoridari suatu objek berdasarkan pola dari k objek terdekatnya.

2. Dibutuhkan tiga parameter yaitu himpunan data, jarak antar data dan nilai k.

Open Journal System


KERANGKA PRESENTASI

Pendahuluan

POMITS

STKI

K-Nearest Neighbor

Open Journal System



Akurasi = Jumlah semua rekomendasi yang benar dibagi jumlahpercobaan

rekomendasi

A B C

ha

sil

A 𝑡𝑝𝐴 𝑒𝐴𝐵 𝑒𝐴𝐶

B 𝑒𝐵𝐴 𝑡𝑝𝐵 𝑒𝐵𝐶

C 𝑒𝐶𝐴 𝑒𝐶𝐵 𝑡𝑝𝐶

Akurasi =𝑡𝑝𝐴 + 𝑡𝑝𝐵 + 𝑡𝑝𝐶

𝑡𝑝𝐴 + 𝑒𝐴𝐵 + 𝑒𝐴𝐶 + 𝑡𝑝𝐵 + 𝑒𝐵𝐴 + 𝑒𝐵𝐶 + 𝑡𝑝𝐶 + 𝑒𝐶𝐴 + 𝑒𝐶𝐵



Presisi merupakan penghitungan akurasi dari kelas tertentu yang telahdiprediksi sebelumnya.

Presisi didefinisikan sebagai persamaan berikut:

rekomendasi

A B C

ha

sil




Presisi A =𝑡𝑝𝐴

𝑡𝑝𝐴 + 𝑒𝐵𝐴 + 𝑒𝐶𝐴

Presisi = 𝑡𝑝

𝑡𝑝 + 𝑓𝑝

Dimana:• 𝑡𝑝 merupakan prediksi true positive dari kelas tertentu• 𝑓𝑝 merupakan prediksi false positive dari kelas tertentu



Recall merupakan penghitungan kemampuan dari sebuah metodeprediksi untuk menentukan kelas dari sebuah himpunan data dengan tepat.

Recall didefinisikan sebagai persamaan berikut:

rekomendasi

A B C

ha

sil




Recall A =𝑡𝑝𝐴

𝑡𝑝𝐴 + 𝑒𝐴𝐵 + 𝑒𝐴𝐶

Recall = 𝑡𝑝

𝑡𝑝 + 𝑓𝑛Dimana:• 𝑡𝑝 merupakan prediksi true positive dari kelas tertentu• 𝑓𝑛 merupakan prediksi false negative dari kelas tertentu• 𝑡𝑝 + 𝑓𝑛 merupakan jumlah percobaan yang dilakukan pada kelas tertentu

Prapemrosesan STKI

Rangkaian Proses


KERANGKA PRESENTASI

Model Ruang Vektor

Penghitungan bobot Tf-Idf

Tokenisasi

Stopword

Stemming

1

2

3

K-Nearest Neighbor

1. Tokenisasi


1. Masukan berupa teks dari abstrak, judul sertakata kunci dari sebuah artikel

2. Tokenisasi berguna untuk memecah sebuah teksmenjadi token-token yang nantinya akan diproseskembali untuk mendapatkan token-token yang mempunyai nilai tinggi (kata-kata yang bermakna)

Tokenisasi

Stopword

Stemming

1

2. Stopword


• Bertujuan untuk menghilangkan kata umum darisebuah teks

• Dengan cara membandingkan sebuah kata (hasildari proses Tokenisasi) dengan daftar kata umumBahasa Indonesia

Tokenisasi

Stopword

Stemming

2

3. Stemming


• Bertujuan untuk mendapatkan kata dasar darisebuah teks

• Menggunakan stemmer Tala

Tokenisasi

Stopword

Stemming3

Prapemrosesan STKI

Rangkaian Proses


KERANGKA PRESENTASI

Model Ruang Vektor

Penghitungan bobot Tf-Idf

K-Nearest Neighbor

perancangan dan pembangunan modul rekomendasi section...

Documents