BAB III ANALISIS DAN PERANCANGAN SISTEM
3.1. Analisis
3BABIII
ANALISISDANPERANCANGANSISTEM
Bab ini membahas tahap analisis permasalahan dan perancangan Tugas Akhir. Pada bagian awal dibahas mengenai analisis permasalahan yang ingin diselesaikan. Selanjutnya dibahas mengenai perancangan program untuk memberikan gambaran umum mengenai sistem yang dibuat. Pendekatan yang digunakan dalam perancangan ini adalah pendekatan rancangan berorientasi objek yang direpresentasikan dengan menggunakan diagram UML (Unified Modelling Language).3.1. Analisis
Tahap analisis dibagi menjadi beberapa bagian antara lain cakupan permasalahan, deskripsi umum sistem, kasus penggunaan sistem, dan kebutuhan perangkat lunak.
3.1.1. Cakupan Permasalahan
Permasalahan utama yang diangkat dalam pembuatan Tugas Akhir ini adalah bagaimana cara memandu pengguna API agar bisa menggunakan fungsi-fungsi yang ada dalam API part of speech tagger. Permasalahan kedua yaitu bagaimana cara mendeteksi jenis kata sesuai dengan fungsinya dalam kalimat. Permasalahan ketiga adalah bagaimana cara menerapkan algoritma Hidden Markov Model
untuk part of speech tagger. Permasalahan terakhir ialah bagaimana cara meningkatkan akurasi part of speech tagger, khususnya untuk kata-kata yang tidak dikenali.
Salah satu permasalahan perancang perangkat lunak ialah bagaimana cara merancang struktur kode yang benar untuk kemudahan penggunaan API. Sampai saat ini sudah ada beberapa
library yang bisa digunakan untuk membantu proses part of speech tagging seperti stanfordNLP dan OpenNLP. Namun untuk part speech tagger berbasis bahasa Indonesia masih belum banyak
digunakan. Sehingga perlu pendekatan khusus agar API part of speech tagger yang dibuat nantinya akan mudah digunakan sebagaimana API part of speech tagger yang sudah ada. Algoritma HMM digunakan untuk menemukan jenis kata sesuai dengan fungsinya dalam kalimat dengan menggunakan pendekatan berbasis probabilitas statistik.
3.1.2. Deskripsi Umum Sistem
Sistem yang akan dibuat yaitu berupaAPI. APIini dibangun menggunakan Java dan mempunyai ekstensi .jar. APIini 2 fitur yang dapat digunakan oleh user. Fitur utama dari plugin ini ialah melakukan pelatihan data. Dan fitur yang kedua adalah melakukan penandaan kelas kata (part of speech tagging).
Secara umum gambaran arsitektur sistem dapat dilihat pada Gambar 3.1 Terdapat 2 bagian utama dalam arsitektur sistem ini, yaitu IDE dan API. Sistem API berisi algoritma tagging serta HTMLParser. Algoritma tagging digunakan oleh API untuk proses
training dan tagging. Sedangkan HTML Parser digunakan untuk meminimalisasi kata-kata yang tidak dikenali dengan cara melakukan pengecekan dengan mengirimkan parameter berupa kata yang tidak dikenali ke sistem Wordnet bahasa Indonesia berbasis web.
3.1.3. Kebutuhan Fungsional
Kebutuhan fungsional berisi kebutuhan utama yang harus dipenuhi oleh sistem agar sistem mampu bekerja dengan baik. Kebutuhan fungsional juga secara tidak langsung mendeskripsikan fungsionalitas perangkat lunak. Daftar kebutuhan fungsional dari aplikasi part of speech tagger untuk bahasa menggunakan Hidden Markov Model dapat dilihat pada Tabel 3.1.
33
Tabel 3.1 Daftar Kebutuhan Fungsional Sistem No. Kebutuhan Fungsional Deskripsi 1 Melakukan pelatihan
(training) Melakukan pelatihan data berdasarkan corpus yang sudah ditandai.
2 Melakukan penandaan
(tagging) Melakukan penandaan kelas kata berdasarkan algoritma
Hidden Markov Model.
3.1.3.1. Aktor
Aktor mendefinisikan pihak-pihak, baik manusia maupun sistem atau perangkat lunak lain, yang terlibat dan berinteraksi langsung dengan sistem. Aktor mendefinisikan entitas-entitas yang terlibat dan berinteraksi langsung dengan sistem. Entitas ini bisa berupa manusia maupun sistem atau perangkat lunak yang lain. Penulis mendefinisikan aktor untuk sistem ini yaitu perancang pengembang perangkat lunak yang menggunakan bahasa Java.
3.1.4. Kasus Penggunaan
Kasus-kasus penggunaan dalam sistem ini akan dijelaskan secara rinci pada subbab ini. Kasus penggunaan secara umum akan digambarkan oleh salah satu model UML, yaitu diagram kasus penggunaan. Rincian kasus penggunaan berisi spesifikasi kasus penggunaan, diagram aktivitas, dan diagram urutan untuk masing-masing kasus penggunaan. Diagram kasus penggunaan dapat dilihat pada Gambar 3.1.
Gambar 3.1 Diagram Kasus Penggunaan Sistem
3.1.4.1. Kasus Penggunaan Melakukan Training
Pada kasus penggunaan ini, aktor melakukan pelatihan data berdasarkan corpus yang sudah disiapkan dan ditandai. Rincian kasus penggunaan ini dapat dilihat pada Tabel 3.2.
Tabel 3.2 Rincian Kasus Penggunaan Melakukan Training
Komponen Deskripsi
Nama Melakukan Pelatihan
Nomor UC1
Deskripsi Melakukan pelatihan tagger berdasarkan data yang ada dalam corpus yang sudah disediakan dan ditandai jenis katanya.
Tipe Fungsional
Pemicu Aktor memanggil fungsi pelatihan data
Aktor Developer
35
Komponen Deskripsi
Alur Normal 1. Pengguna menyediakan data latih yang sudah dilengkapi dengan kelas kata
2. Pengguna memanggil fungsi pelatihan data 3. Sistem mengakses data latih untuk digunakan
melatih sistem
4. Sistem melakukan pelatihan berdasarkan data latih
5. Sistem sudah terlatih dan siap untuk diujikan Alur alternative Tidak ada
Kondisi Akhir Status tagger berubah menjadi terlatih Kebutuhan Khusus Tidak ada
3.1.4.2. Kasus Penggunaan Melakukan POS Tagging
Pada kasus penggunaan ini, aktor melakukan penandaan jenis kata berdasarkan corpus yang sudah disiapkan. Rincian kasus penggunaan ini dapat dilihat pada Tabel 3.3.Tabel 3.3 Rincian Kasus Penggunaan Melakukan POS Tagging Komponen Deskripsi
Nama Melakukan Penandaan
Nomor UC2
Deskripsi Melakukan penandaan kelas kata dengan menggunakan tagger yang sudah dilatih berdasarkan data yang ada dalam corpus yang sudah ditentukan.
Tipe Fungsional
Pemicu Aktor memanggil fungsi pelatihan data
Aktor Sistem
Komponen Deskripsi
Alur Normal 1. Pengguna menyediakan data uji (corpus) berbahasa Indonesia
2. Pengguna memanggil fungsi penandaan kelas kata
3. Sistem membaca data untuk diproses
4. Sistem melakukan penandaan kelas kata berdasarkan pengetahuan dari hasil data latih
5. Data uji selesai dilengkapi dengan kelas kata 6. Hasil uji disimpan menjadi sebuah file baru Alur alternative Tidak ada
Kondisi Akhir Hasil penandaan ditampilkan ke sistem Kebutuhan Khusus Tidak ada
3.1.5. Analisis Kelas
Berdasarkan kasus penggunaan yang dijelaskan dalam Bab 3.1.4 dan use case diagram pada Gambar 3.1, kemudian dibuat analisis kelas untuk dijadikan pedoman dalam membuat diagram kelas yang selanjutnya diimplementasikan ke dalam program. Dari use case diagram pada Gambar 3.1 dapat diketahui bahwa user hanya bisa melakukan 2 proses pada aplikasi ini, yaitu proses training dan tagging. 2 proses utama tersebutlah yang menjadi fokus dari analisis kelas yang dijelaskan pada Gambar 3.2.