PROCEEDING SEMINAR NASIONAL

TEKNOLOGI INFORMASI DAN APLIKASINYA 2012

“Aplikasi Teknologi Informasi dalam Menunjang Pelestarian Budaya Nasional dan Pengembangan Sektor

Pariwisata”

Bali, 9 Oktober 2012

Diselenggarakan Oleh :

Program Studi Teknik Informatika

Jurusan Ilmu Komputer

Universitas Udayana

Bali

KATA PENGANTAR

Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa, atas terselesainya

penyususnan Proceeding SNATIA 2012 ini. Buku ini memuat naskah hasil penelitian dari

berbagai bidang kajian yang telah direview oleh pakar dibidangnya dan telah

dipresentasikan dalam acara Seminar SNATIA 2012 pada tanggal 9 Oktober 2012 di

Universitas Udayana kampus Bukit Jimbaran, Badung, Bali.

Kegiatan SNATIA 2012 merupakan yang pertama kali diadakan, dan akan menjadi

agenda tahunan Program Studi Teknik Informatika, Jurusan Ilmu Komputer, Universitas

Udayana. SNATIA 2012 mengambil tema “Aplikasi Teknologi Informasi dalam

Menunjang Pelestarian Budaya Nasional dan Pengembangan Sektor Pariwisata”, dengan

pembicara utama seminar yang terdiri dari pakar peneliti dibidang teknologi informasi,

pembicara dari praktisi pariwisata Bali, dan pembicara dari Dinas Kebudayaan Propinsi

Bali.

Meskipun kegiatan seminar dan pendokumentasian naskah dalam proceeding ini telah

dipersiapkan dengan baik, namun kami menyadari masih banyak kekurangannya. Untuk

itu panitia mohon maaf yang sebesar-besarnya, dan juga mengucapkan terimakasih atas

kepercayaan dan kerjasamanya dalam kegiatan ini. Kritik dan saran perbaikan sangat

diharapkan untuk penyempurnaan di masa mendatang, yang dapat dikirimkan melalui e-

mail snatia@cs.unud.ac.id.

Kepada semua pihak yang terlibat, baik langsung maupun tidak langsung dalam

penyelenggaraan seminar, dan penyusunan proceeding SNATIA 2012, panitia

mengucapkan terima kasih.

Denpasar, 9 Oktober 2012 Panitia SNATIA 2012 Ketua Pelaksana I Gede Santi astawa, S.T., M.Cs.

DAFTAR ISI

Kata Pengantar Daftar Isi Analisis Dan Implementasi Algoritma Learning Vector Quantization (Lvq) Dalam Pengenalan Ekspresi Wajah Kadek Dian Trisnadewi, I Wayan Santiyasa, I Made Widiartha .......................................................... 1 Analisis Kualitas Voip Pada Jaringan Yang Menggunakan Active Queue Management Random Early Detection (Red) I Dewa Made Bayu Atmaja Darmawan ................................................................................................ 6 Analisis Sistem Firewall Pada Jaringan Komputer Menggunakan Iptables Untuk Meningkatkan Keamanan Jaringan ( Studi Kasus : Jaringan Komputer Jurusan Matematika Fakultas Mipa Universitas Udayana) I Wayan Supriana, I Wayan Santiyasa, Cokorda Rai Adi Pramartha .................................................. 13 Ekstraksi Tepi Dengan Menggunakan Fuzzy Spatial Filtering Dan Slicing Intensity I Gede Aris Gunadi, Retantyo Wardoyo ............................................................................................. 22 Evaluasi Cluster Menggunakan Metode Prototype-Based Cohesion And Separation Dan Silhouette Coefficient Pada Implementasi Algoritma Som Gusti Ayu Vida Mastrika Giri, Kadek Cahya Dewi ........................................................................... 29 Group Decision Support System Dengan Menggunakan Metode Analytical Hierarchy Process (Ahp) Dan Borda Dalam Penentuan Lokasi Bank Dan Pimpinan Cabang Yang Tepat Desak Made Dwi Utami Putra ............................................................................................................... 34 Identifikasi Lagu Menggunakan Algoritma K-Nearestneighbours – Cosine Similarity(KNNCS) I Gede Suta Lascarya Astawa, Agus Muliantara, Kadek Cahya Dewi................................................. 42 Kompresi Citra Fraktal Dengan Algoritma Genetika Adaptif Putu Indah Ciptayani1, Zulfahmi Indra2 ............................................................................................... 46 Mobile Information System Untuk Mengidentifikasidefisiensi Unsur Hara Pada Daun Asti Dwi Irfianti, Endang Sulistyaningsih ............................................................................................ 51 Model Rekayasa Perangkat Lunak Berbasis Komponen (Component-Based Software Engineering) Herri Setiawan, Edi Winarko................................................................................................................ 57 Model Sistem Pendukung Keputusan Kelompok Dengan Metode Multiplicative Exponent Weighting Muhammad Syaukani, Sri Hartati ....................................................................................................... 65 Optimasi Distribusi Pupuk Bersubsidi Dengan Menggunakan Algoritma Genetika (Studi Kasus: Kab. Jombang Jawa Timur) Asti Dwi Irfianti, Sri Hartati .................................................................................................................. 72

Perancangan Dan Implementasi Aplikasi Web Service(Studi Kasus : Sim Perpustakaan Dengan Simak F.Mipa Universitas Udayana) Made Agung Raharja ............................................................................................................................. 78 Perancangan Dan Implementasi Rekam Medis Berbasis Mobile Ida Bagus Made Mahendra, Ida Bagus Gede Dwidasmara, Putu Praba Santika ................................. 88 Pengalokasian Sumber Daya Dalam Sistem Pendukung Keputusan Rita Wiryasaputra .... ............................................................................................................................. 95 Perancangan Dan Implementasi Customer Information Gathering Menggunakan Model Ruang Vektor Dan Perluasan Query Sang Gede Suriadnyana, I Made Widiartha, I Gede Santi Astawa ...................................................... 101 Perancangan Dan Implementasi Sistem Pencarian Buku Menggunakan Algoritma Pemetaan Transaksi Wayan Gede Suka Parwita, Ngurah Agus Sanjaya Er, Luh Gde Astuti .............................................. 107 Pengembangan Cost Driver Model Cocomo Ii Dengan Modifikasi Nilai Atribut Analysis Capability Untuk Estimasi Usaha Perangkat Lunak Sri Andayani, L. Anang Setiyo ............................................................................................................. 111 Prototype Sistem Penyeberangan Jalanbagi Penyandang Tuna Netra Berbasis Rfid( Radio Frequency Identification ) I Made Widhiwirawan ........................................................................................................................... 119 Review Of Ontology-Based Question Answering System Eka Karyawati, Azhari S. N. ................................................................................................................ 126 Resiko Proyek Teknologi Informasi Herri Setiawan, Ashari SN .................................................................................................................... 134 Sistem Pendukung Keputusan Untuk Pembelian Rumah Menggunakan Analytical Hierarchy Process (Ahp) Standy Oei, Riah Ukur Ginting ............................................................................................................. 140 Vanet Untuk Solusi Komunikasi Data Di Kawasan Pariwisata Bali I Komang Ari Mogi,Waskitho Wibisono .............................................................................................. 146 Visualisasi Cluster Menggunakan Smoothed Data Histograms (Sdh) Pada Audio Clustering Lagu Daerah Indonesia Menggunakan Self Organizing Map (Som) Kadek Cahya Dewi, Gusti Ayu Vida Mastrika Giri ............................................................................ 153

PELAKSANA SEMINAR

Pelindung Rektor Universitas Udayana, Bali

Penanggung Jawab

Dekan Fakultas MIPA Universitas Udayana Ketua Program Studi Teknik Informatika, Jurusan Ilmu Komputer, FMIPA,

Universitas Udayana

Panitia I Gede Santi Astawa, S.T., M.Cs. I Made Widiartha, S.Si., M.Kom.

Agus Muliantara, S.Kom., M.Kom Ida Bagus Gede Dwidasmara, S.Kom., M.Cs. Ida Bagus Made Mahendra, S.Kom., M.Kom.

I Ketut Gede Suhartana, S.Kom., M.Kom. Ngurah Agus Sanjaya Er, S.Kom., M.Kom.

I Made Widi Wirawan, S.Si., M.Cs. Cokorda Rai Adi Pramartha, S.T., M.M

Made Agus Setiawan Dra. Luh Gede Astuti, M.Kom. I Wayan Supriana, S.Si., M.Cs.

Gusti Ayu Vida Mastrika Giri, S.Kom. Desak Made Dwi Utami Putra, S.Si., M.Cs.

Bayu Bintoro Made Agung Raharja

I Dewa Made Bayu Atmaja Darmawan, S.Kom. Kadek Cahya Dewi, S.T., M.Cs.

Putu Wida Gunawan, S.Si., M.Cs. I Gusti Ngurah Anom Cahyadi Putra, S.T., M.Cs.

Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2012

 

101 Jurusan Ilmu Komputer, FMIPA, Universitas Udayana  

PERANCANGAN DAN IMPLEMENTASI CUSTOMER INFORMATION GATHERING MENGGUNAKAN MODEL RUANG VEKTOR DAN PERLUASAN QUERY

Sang Gede Suriadnyana, I Made Widiartha, I Gede Santi Astawa Program Studi Teknik Informatika, Jurusan Ilmu Komputer,, Fakultas MIPA, Universitas Udayana

Email : sang.gede@cs.unud.ac.id, imadewidiartha@cs.unud.ac.id, santi.astawa@cs.unud.ac.id

ABSTRAK Kritik dan saran customer merupakan salah satu informasi yang penting bagi perusahaan. Dimana dengan adanya kritik dan saran ini, perusahaan dapat meninjau kembali kelemahan atau kekurangan dari produk atau jasa yang mereka tawarkan selama ini. Terkadang kritik dan saran yang diberikan oleh customer kurang mendapat respon dari pihak perusahaan. Meskipun kritik dan saran telah diberikan tetapi untuk waktu yang lama perusahaan tidak secara baik meninjau kritik dan saran tersebut. Hal ini terjadi karena proses yang dilakukan secara manual. Meninjau satu per satu kritik dan saran secara manual akan membutuhkan waktu yang cukup banyak, dan tentu akan berdampak kurang baik bagi kinerja perusahaan. Salah satu solusi untuk mengatasi permasalahan tersebut adalah dengan membangun sistem Customer Information Gathering yang dapat membantu pihak perusahaan untuk dapat mengumpulkan informasi pelanggan berupa kritik dan saran serta memparsing dan mencari informasi pelanggan sesuai dengan bidang-bidang kritik dan saran tertentu. Sistem Customer Information Gathering pada penelitian ini dirancang berbasis web dengan menggunakan bahasa pemrograman PHP dan Apache MySQL. Sistem ini diimplementasikan menggunakan metode model ruang vektor dan perluasan query. Dari hasil evaluasi sistem yang dilakukan dengan menggunakan 100 data sampel kritik dan saran dan dengan menerapkan 10 query dalam proses pencarian, rata-rata nilai recall yang diperoleh adalah 91% dan meningkat hingga 95% dengan perluasan query. Kata kunci : Kritik dan saran, Model ruang vektor, Perluasan query

ABSTRACT Criticism and advice customer is one of the important information for the company. Where with the criticisms and suggestions, companies can review the weaknesses or shortcomings of the products or services they offer so far. Sometimes criticism and suggestions given by the customer less get a response from the company. Despite criticism and suggestions have been given but for a long time the company did not properly review the criticisms and suggestions. This occurs because the process is done manually. Reviewing one by one manually criticisms and suggestions will require considerable time, and it will certainly impact for the company’s performance. One solution to overcome these problems is to build a system of Customer Information Gathering that can help the company to collect customer information in the form of criticism and suggestions as well as parsing and search for customer information in accordance with field specific criticisms and suggestions. Customer Information Gathering system is designed based on the research web using PHP programming language and Apache MySQL. The system is implemented using the vector space model and query expansion. From the results of the evaluation system is conducted by using 100 data samples criticism and suggestions, and by applying 10 queries in the search process, the average recall value obtained was 91% and increased to 95% with query expansion. Keywords : Criticism and suggestions, vector space model, query expansion 1. PENDAHULUAN Salah satu informasi yang penting bagi perusahaan adalah informasi mengenai kelemahan atau kekurangan dari produk maupun pelayanan yang ditawarkan perusahaan tersebut. Dimana kelemahan atau kekurangan ini dapat ditinjau dari kritik dan saran yang diberikan oleh pelanggan atau dalam hal ini adalah user yang menggunakan produk atau jasa dari perusahaan. Terkadang kritik dan saran dari pelanggan atau customer kurang mendapat respon dan tanggapan dari perusahaan. Meskipun kritik dan saran telah diberikan tetapi untuk waktu yang lama perusahaan tidak secara baik meninjau. Hal ini terjadi karena proses yang dilakukan secara manual dan terkadang penggolongan terhadap kritik dan saran sangat sulit untuk diimplementasikan. Untuk mengatasi persoalan diatas, maka diperlukan suatu sistem informasi yang dapat membantu pihak perusahaan untuk dapat mengumpulkan informasi pelanggan (customer) berupa kritik dan saran serta memparsing dan mencari informasi pelanggan (customer) sesuai dengan bidang-bidang kritik dan saran tertentu sehingga diharapkan perusahaan dapat dengan mudah melakukan evaluasi terhadap segala kekurangan baik dari segi produk maupun pelayanannya berdasarkan kritik dan saran yang diberikan pelanggan (customer). Menurut penelitian (Hariyono and Wahyudi, 2005) Model Vektor sangat tepat digunakan untuk mencari dokumen masukan saran pelanggan (customer gathering information) terutama pada penentuan kemiripan query dan penggolongan kritik dan saran tersebut. Tidak hanya itu, menurut (Jaya, 2007) Model ini berhasil

memberikan hasil yang lebih baik dibandingkan model Boolean. Model ini juga dapat menampilkan hasil temu balik secara terurut (Ranking). Berdasarkan hal tersebut diatas, maka penulis menerapkan metode model ruang vektor pada penelitian ini, namun yang menjadi masalah selanjutnya adalah mengenai query yang di masukkan pengguna, dimana terkadang pengguna tidak mampu merepresentasikan kebutuhan informasi yang diinginkan kedalam bentuk kueri. Untuk itu pada sistem ini juga di rasa perlu diterapkan metode umpan balik relevansi, yaitu metode perluasan query. Query Expansion atau perluasan query adalah proses me-reformulasikan kembali query awal dengan melakukan penambahan beberapa term atau kata pada query untuk meningkatkan perfoma dalam proses information retrieval (Nugroho, 2009). Dengan ini diharapkan pengguna akan mendapatkan dokumen atau informasi yang sesuai. 2. Information Retrieval Information Retrieval System atau Sistem Temu Balik Informasi merupakan bagian dari bidang ilmu computer science yaitu membahas tentang pengambilan informasi dari dokumen-dokumen yang didasarkan pada isi dan konteks dari dokumen-dokumen itu sendiri. Menurut (Kowalski and Maybury, 2002) di dalam bukunya “Information Storage and Retrieval Systems Theory and Implementation”, sistem temu balik informasi adalah suatu sistem yang mampu melakukan penyimpanan, pencarian, dan pemeliharaan informasi. Informasi dalam konteks ini dapat terdiri dari teks (termasuk data numeric dan tanggal), gambar, audio, video, dan objek multimedia lainnya. Menurut (Goker and Davies, 2009) ada tiga proses standard yang harus didukung dalam sistem temu kembali informasi: representasi isi dari dokumen, representasi kebutuhan informasi pengguna, dan membandingkan kedua representasi. Representasi dokumen biasanya disebut dengan proses pengideksan atau indexing. Proses ini berlangsung secara off-line, yang mana pengguna akhir dari system temu kembali informasi tidak terlibat langsung dalam hal ini. Hasil dari proses pengindeksan merupakan sebuah representasi dari dokumen yang diproses. 2.1 Indexing Indexing adalah proses yang merepresentasikan koleksi dokumen kedalam bentuk tertentu untuk memudahkan dan mempercepat proses pencarian dan penemuan kembali dokumen yang relevan. Pembangunan index dari koleksi dokumen merupakan tugas pokok pada tahapan preprocessing di dalam information retrieaval. Hal ini dikarenakan kualitas index mempengaruhi efektifitas dan efisiensi sistem IR. Index dokumen adalah himpunan term yang menunjukkan isi atau topik yang dikandung oleh dokumen. Index akan membedakan suatu dokumen dari dokumen lain yang berada di dalam koleksi. Ukuran index yang kecil dapat memberikan hasil buruk dan mungkin beberapa item yang relevan terabaikan. Index yang besar memungkinkan ditemukan banyak dokumen yang relevan tetapi sekaligus dapat menaikkan jumlah dokumen yang tidak relevan dan menurunkan kecepatan pencarian (searching) (Hyusein and Patel, 2003). Adapun tahapan dari pengindeksan adalah sebagai berikut (Hasibuan and Andri, 2001) : 1. Parsing Dokumen yaitu proses pengambilan kata-kata dari kumpulan dokumen. 2. stopword removal yaitu proses pembuangan kata yang terdapat pada stoplist (daftar kata buang) seperti:

tetapi, yaitu, sedangkan, dan sebagainya. 3. Stemming yaitu proses penghilangan/ pemotongan dari suatu kata menjadi bentuk dasar. Kata

“diadaptasikan” atau “beradaptasi” mejadi kata “adaptasi” sebagai istilah. 2.2 Weighting Term Weighting dan Inverted File yaitu proses pemberian bobot pada istilah. Didalam memberikan bobot pada sebuah istilah, terdapat berbagai macam teknik atau metode antara lain yaitu : 1. Metode pembobotan yang digunakan dalam perancangan similarity Thesaurus. Metode ini ditunjukkan

oleh persamaan berikut (Baeza and Ribeiro, 1999) :

, dengan itfj =

Dimana : • Wij = bobot istilah ki pada dokumeni dj, • fi,j = frekuensi kemunculan istilah ki pada dokumen dj, • Maxj (fi,j) = frekuensi maksimal kemunculan istilah di koleksi, • Itfj = inverse term frekuensi untuk dokumen dj, • N = jumlah dokumen dalam koleksi, • t = jumlah istilah dikoleksi, • tfj = jumlah istilah di dokumen dj.

2. Teknik pembobotan berdasarkan rumus Savoy (Savoy, 1993) yaitu:

Wik = tfik * idfk,

Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2012

 

103 Jurusan Ilmu Komputer, FMIPA, Universitas Udayana  

Dimana

tfik = , dan idfk =

Dengan : • Wik adalah bobot istilah k pada dokumeni i. • tfik merupakan frekuensi dari istilah k dalam dokumen i. • idfk merupakan ukuran diskriminan kemunculan istilah k dalam koleksi dokumen • n adalah jumlah dokumen dalam koleksi • dfk adalah jumlah dokumen yang mengandung istilah k. • Maxj tfij adalah frekuensi istilah terbesar pada satu dokumen. Pada teknik pembobotan ini, bobot istilah telah dinormalisasi. Dalam menentukan bobot suatu istilah tidak hanya berdasarkan frekuensi kemunculan istilah di satu dokumen, tetapi juga memperhatikan frekuensi terbesar pada suatu istilah yang dimiliki oleh dokumen bersangkutan. Hal ini untuk menentukan posisi relative bobot dari istilah dibanding dengan istilah-istilah lain di dokumen yang sama. Selain itu teknik ini juga memperhitungkan jumlah dokumen yang mengandung istilah yang bersangkutan dan jumlah keseluruhan dokumen. Hal ini berguna untuk mengetahui posisi relative bobot istilah bersangkutan pada suatu dokumen dibandingkan dengan dokumen-dokumen lain yang memiliki istilah yang sama. Sehingga jika sebuah istilah mempunyai frekuensi kemunculan yang sama pada dua dokumen belum tentu mempunyai bobot yang sama.

3. Model Ruang Vektor Model ruang vektor adalah salah satu model sistem temu kembali informasi yang mengibaratkan masing-masing query dan dokumen sebagai sebuah vektor n-dimensi. Tiap dimensi pada vektor tersebut diwakili oleh satu term. Term yang digunakan biasanya berpatokan kepada term yang ada pada query, sehingga term yang ada pada dokumen tetapi tidak ada pada query biasanya diabaikan. Misalkan terdapat sejumlah n kata yang berbeda. Kata-kata ini akan membentuk ruang vektor yang memiliki dimensi sebesar n. Setiap kata i dalam dokumen atau query diberikan bobot sebesar wi. Baik dokumen maupun query direpresentasikan sebagai vektor berdimensi n. Contoh penggambaran sebuah model ruang vektor dapat dilihat pada Gambar 1.

Gambar 1. Representasi dokumen dan vektor pada ruang vektor (Mandala and Setiawan, 2002)

3.1 Similarity pada Ruang Vektor Koleksi dokumen direpresentasikan dalam ruang vektor sebagai matriks kata-dokumen (termsdocuments matrix). Nilai dari elemen matriks wij adalah bobot kata i dalam dokumen j. Misalkan terdapat sekumpulan kata T sejumlah n, yaitu T = (T1, T2, … , Tn) dan sekumpulan dokumen D sejumlah m, yaitu D = (D1, D2, … , Dm) serta wij adalah bobot kata i pada dokumen j. Maka representasi matriks kata-dokumen adalah :

Penentuan relevansi dokumen dengan query dipandang sebagai pengukuran kesamaan (similarity measure) antara vektor dokumen (D) dengan vektor query (Q). Semakin “sama” suatu vektor dokumen dengan vektor query maka dokumen dapat dipandang semakin relevan dengan query. Ukuran kesamaan ditunjukan dengan besarnya sudut B. Semakin kecil sudut berarti dapat dianggap semakin mirip (relevan).

Gambar 2. Sudut yang dibentuk antara dokumen dan vektor pada ruang vektor (Hadhiatma, 2010)

Jika Q adalah vektor query dan D adalah vektor dokumen, yang merupakan dua buah vektor dalam ruang berdimensi-n, dan θ adalah sudut yang dibentuk oleh kedua vektor tersebut. Maka:

Inner product : θcosDQDQ =• ∑==

n

iDiD

1

2 dan ∑=

=n

iQiQ1

2

Rumus yang digunakan untuk memgukur jarak kedekatan antar vektor adalah sebagai berikut :

== ),cos(),( DQDQSimDQDQ • ∑

=

•=n

iDiQi

DQ 1

1

Kedekatan query dan dokumen diindikasikan dengan sudut yang dibentuk. Nilai cosinus yang cenderung besar mengindikasikan bahwa dokumen cenderung sesuai query. Nilai cosinus sama dengan 1 mengindikasikan bahwa dokumen sesuai dengan dengan query (Hadhiatma, 2010).

4. Perluasan Kueri Query Expansion atau perluasan query adalah proses me-reformulasikan kembali query awal dengan melakukan penambahan beberapa term atau kata pada query untuk meningkatkan perfoma dalam proses information retrieval. Dalam konteks web search engine, hal ini termasuk evaluasi input user dan memperluas query pencarian untuk mendapatkan dokumen yang cocok dengan query. Menurut (Selberg, 1997) dalam (Paiki, 2006) ekspansi kueri atau perluasan kueri adalah sekumpulan teknik untuk memodifikasi kueri dengan tujuan untuk memenuhi sebuah kebutuhan informasi. Ekspansi kueri dapat berarti penambahan maupun pengurangan kata pada kueri. Proses ekspansi kueri berdasarkan similarity thesaurus dilakukan melalui tiga tahap, yaitu: 1. Merepresentasikan kueri dalam ruang vektor

2. Menghitung nilai kesamaan antara kueri dengan istilah-istilah yangberkorelasi dengan istilah di dalam

kueri

dengan : sim(q,kv) = nilai kesamaan antara kueri (q) dengan istilah-istilah yang berkorelasi dengan istilah di

dalam kueri (kv) wu,q = bobot istilah dalam kueri cu,v = nilai kesamaan antara istilah di kueri (ku) dengan istilah yang berkolerasi dengannya (kv)

3. Melakukan ekspansi kueri dengan mengambil r istilah teratas berdasarkan nilai sim(q,kv). bobot dari

istilah-istilah yang diambil tersebut dihitung kembali dengan persamaan:

dengan :

wv,q : bobot istilah hasil ekspansi baru sim(q,kv): nilai kesamaan antara kueri (q) dengan istilah-istilah yang berkorelasi dengan istilah di

dalam kueri (kv) wu,q = bobot istilah dalam kueri.

Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2012

 

105 Jurusan Ilmu Komputer, FMIPA, Universitas Udayana  

4. Eavaluasi Sistem Pada tahap ini dilakukan evaluasi sistem yang ditinjau dari pendapat ahli yang sudah terbiasa dalam menangani data kritik dan saran customer yang juga merupakan seorang pemimpin dalam suatu perusahaan. Data yang digunakan dalam evaluasi sistem ini adalah data kritik dan saran customer dari salah satu perusahaan yang bergerak di bidang software development. Jumlah data yang digunakan adalah sebanyak 100 data dengan kueri yang digunakan dalam proses pencarian adalah 10 kueri.

Tabel 1. Tabel Evaluasi Sistem

id kueri

dokumen relevan yang terambil

total dokumen yang terambil

total dokumen relevan dalam koleksi recall precision

1 5 13 7 0.71 0.38 2 6 21 6 1 0.29 3 4 17 4 1 0.24 4 17 25 20 0.85 0.685 4 15 4 1 0.27 6 14 21 14 1 0.67 7 5 32 5 1 0.16 8 18 33 18 1 0.55 9 17 30 17 1 0.57

10 2 2 4 0.5 1 Rata-rata recall = 0.91 Rata-rata precision = 0.4

Tabel 2. Tabel Evaluasi Sistem dengan Perluasan Kueri id

kueri dokumen relevan

yang terambil total dokumen yang terambil

total dokumen relevan dalam koleksi recall precision

1 5 13 7 0.71 0.38 2 6 21 6 1 0.29 3 4 18 4 1 0.22 4 20 25 20 1 0.80 5 4 16 4 1 0.25 6 14 22 14 1 0.64 7 5 32 5 1 0.16 8 18 34 18 1 0.53 9 17 32 17 1 0.53

10 3 3 4 0.75 1 Rata-rata recall = 0.95 Rata-rata precision = 0.48

Dari hasil perhitungan didapatkan rata-rata nilai recall untuk pencarian dokumen kritik dan saran tanpa menggunakan ekspansi kueri adalah 91 % dan rata-rata nilai recall untuk pencarian dengan menggunakan ekspansi kueri adalah 95 %. Sedangkan rata-rata nilai precision untuk kedua pencarian tersebut adalah sama yaitu 48 %. Berdasarkan perhitungan tersebut dapat dilihat bahwa nilai recall mengalami peningkatan sebanyak 4 % pada saat menggunakan ekspansi kueri untuk melakukan proses temu kembali dokumen kritik dan saran. Daftar kueri yang digunakan dalam evaluasi sistem ini dapat dilihat pada tabel 3.

Tabel 3. Daftar Kueri dan Perluasan Kueri Id Kueri Kueri Perluasan Kueri

1 data tidak tersimpan data simpan pesan field hilang 2 kesalahan currency currency salah ajusment lg editor 3 payment tidak tersimpan payment simpan travel agent cash 4 sistem error error sistem standar edit penambahan 5 tampilan tampil rentan missal daftar 6 salah hitung hitung salah kali ikut kamar 7 invoice list error error invoice list generated java jsp 8 guest folio folio guest short cancelation alamat 9 report bermasalah report sales daily sempurna 10 notification notification used query http

5. Kesimpulan Dan Saran 1. Kesimpulan Kesimpulan yang dapat diambil dari penelitian yang telah dilakukan adalah sebagai berikut :

1. Penelitian ini telah berhasil merancang dan mengimplementasikan sistem Customer Information Gathering dengan menerapkan metode model ruang vektor dan perluasan query. Jenis perluasan atau ekspansi kueri yang digunakan adalah Automatic Query Expansion yaitu dengan menggunakan analisis global berdasarkan similarity thesaurus.

2. Dengan menggunakan 100 data uji dan 10 kueri, proses temu balik informasi dengan menerapkan perluasan kueri dapat meningkatkan nilai recall sehingga dokumen relevan yang berhasil di temu kembalikan oleh sistem menjadi lebih banyak jika dibandingkan dengan tanpa menggunakan perluasan kueri.

2. Saran Untuk pengembangan sistem lebih lanjut penulis ingin menyampaikan beberapa saran, antara lain :

1. Gunakan metode stemming lain yang juga dapat memproses kata dalam bahasa inggris. 2. Gunakan koleksi kata dasar yang lebih banyak, sehingga hasil stemming lebih baik dan proses retrieval

menjadi lebih baik. 3. Untuk jumlah dokumen yang besar, proses perluasan kueri sedikit lambat, sehingga perlu dilakukan

pengembangan lebih lanjut. 4. Penggunaan metode lain untuk ekspansi kueri, misal Local Clustering, Statistical Thesaurus, dll.

Daftar Pustaka [1] Baeza, Ricardo, and Ribeiro, Berthier. 1999. Modern Information Retrieval. ACM Press. United States

of America. [2] Goker, A., and Davies, J. 2009. Information Retrieval: Searching in the 21st Century. John Wiley and

Sons, Ltd., ISBN-13: 978-0470027622. [3] Hadhiatma, Agung. 2010. Pencarian Dokumen Berdasarkan Kombinasi Antara Model Ruang Vektor

Dan Model Domain Ontologi. Jurusan Teknik Informatika, Fakultas Sains dan Teknologi, Universitas Sanata Dharma Yogyakarta.

[4] Hariyono, M.E.A. and Wahyudi. 2005. Customer Information Gathering Menggunakan Metode Temu Kembali Informasi Dengan Model Ruang Vektor. Seminar Nasional Aplikasi Teknologi Informasi. Yogyakarta.

[5] Hasibuan, Z.A., and Andri Yofi. 2001. Penerapan Berbagai Teknik Sistem Temu-Kembali Informasi Berbasis Hiperteks. Universitas Indonesia.

[6] Hyusein, B., and Patel, A. 2003. Web Document Indexing and Retrieval. LNCS 2588 pp. 573-579, Springer Verlag. Berlin. An overview. http://www.springerlink.com/index/3nqtd0xdlgupj5cm.pdf. Diakses 9 maret 2011.

[7] Jaya, Hendra. 2007. Perbandingan Performansi Word Indexing dan Phrase Indexing dalam Sistem Temu Balik Informasi dengan Menggunakan Model Probabilistik. Skripsi Terpublikasi. Bandung: Institut Teknologi Bandung.

[8] Nugroho, Susetyo Adi. 2009. Query Expansion Dengan Menggabungkan Metode Ruang Vektor Dan Wordnet Pada Sistem Information Retrieval. Jurnal Informatika, Volume 5 Nomor 1.

[9] Kowalski, G.J., and Maybury, M.T. 2002. Information Storage And Retrieval Systems Theory and Implementation. 2nd ed. Kluwer Academic Publishers. New York.

[10] Mandala, Rila, and Setiawan, Hendra. 2002. Peningkatan Performansi Sistem Temu-Kembali Informasi dengan Perluasan Query Secara Otomatis. Departemen Teknik Informatika Institut Teknologi Bandung. Bandung.

[11] Paiki, Fridolin F., 2006. “Evaluasi Penggunaan Similarity Thesaurus terhadap Ekspansi Kueri dalam Sistem Temu Kembali Informasi Berbahasa Indonesia”. Skripsi. Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor. Bogor.

[12] Savoy, J. 1993. “A Learning Scheme for Information Retrieval in Hypertext”. Information Processing & Management, 30(4), 515-533.