Analisis Jejaring Sosial untuk Rekomendasi Personal pada Komunitas Online
EVALUASI DAN RANGKING ONTOLOGI STUDENT PAYMENT BERBASIS MATRIK DENGAN OntoQA
Jaeni, Selo, dan Sri Suning Kusumawardani
[email protected], [email protected], [email protected] Jurusan Teknik Elektro dan Teknologi Informasi, FT UGM Yogyakarta ABSTRAK. Dalam web semantik sejumlah layanan dapat dikembangkan dengan ontologi berbeda yang akan digunakan untuk otomatisasi integrasi layanan. Ketika akan menggunakan kembali ontologi dalam aplikasi, pengguna dihadapkan dengan masalah menentukan apakah ontologi cocok sesuai yang dibutuhan sehingga diperlukan evaluasi terhadap ontologi tersebut. Adapun tujuan dari paper ini adalah untuk mengevaluasi ontologi
student payment dengan metode OntoQA.
Kata Kunci: ontologi, OntoQA, web semantik, student payment
1. PENDAHULUAN
Kebutuhan informasi pembayaran dan kemudahan mahasiswa membayar kewajiban keuangan melalui bank secara online kepada perguruan tinggi diperlukan untuk mendukung kelancaran proses akademik. Jumlah mahasiswa yang semakin besar dalam suatu perguruan tinggi membutuhkan efesiensi dan efektifitas dalam proses pembayaran. Untuk mendukung layanan multi bank secara online diperlukan integrasi layanan antara bank dan perguruan tinggi.
Masalah layanan terintegrasi menjadi semakin penting terutama dalam lingkungan terbuka seperti Web Semantic, sejumlah besar layanan yang dikembangkan oleh sejumlah besar pengguna dengan teknologi yang berbeda. Masalah automated integration of services adalah kunci untuk realisasi sukses dari Web Semantic atau sistem lain dengan layanan berinteraksi dengan satu sama lain merupakan tantangan dalam riset kedepan (Lu Fang, 2012) .
Semantik web menyediakan makna ekplisit untuk informasi dan data web masa depan. Salah tujuannya adalah memungkinkan intelligent search agents untuk proses dan intergasi data dari berbagai sumber pada level konseptual. Ontologi merepresentasikan berbagai macam domain knowledge dan informasi sebagai salah satu faktor kunci sukses semantik web. Namun, kondisi saat ini pengembangan domain ontologi untuk semantic web adalah masih dalam masa pertumbuhan baik dari segi kuantitas dan kualitas. Salah satu isu utama adalah biaya pengembangan tinggi terkait dengan pengetahuan akuisisi secara manual konstruksi ontologi. Memperoleh pengetahuan domain membutuhkan banyak sumber daya dan memakan banyak waktu (Gómez-Pérez, 2002 ).
Membangun ontologi dapat dicapai dengan dua pendekatan: dapat mulai dari awal ( Cristani, M., Cuel, R. A 2005 ), atau bisa dibangun dengan sebuah ontologi yang ada. dalam kedua kasus, teknik untuk mengevaluasi ontologi yang dihasilkan diperlukan. Teknik-teknik tersebut tidak hanya akan berguna selama proses rekayasa ontologi ,hal itu juga dapat berguna untuk pengguna akhir yang membutuhkan untuk menemukan ontologi yang paling cocok.
Dengan penelitian ini memanfaatkan relational database yang sudah ada, hasil yang diharapkan dari penelitian ini adalah perancangan ontologi student payment sebagai solusi integrasi antara perguruan tinggi X dengan bank Y. Sistem diharapkan dapat melayani berbagai jenis sistem pembayaran yang disediakan secara dinamis baik untuk kebutuhan saat ini maupun mendatang.
Dalam teknologi web semantik, informasi yang disajikan bukan hanya untuk konsumsi manusia sebagai user tetapi kini sudah dapat dimanfaatkan oleh mesin. Web semantik merupakan teknologi baru dalam dunia internet, teknologi web semantik dapat diterapkan pada berbagai bidang kehidupan web semantik merupakan perluasan dari web saat ini, informasi memiliki arti yang terdefinisi lebih baik, sehingga memungkinkan manusia dan komputer dapat bekerjasama lebih optimal dalam pengolahan dan penyajian informasi (Berners-Lee, 2001).
2. METODE PENELITIAN
Menurut Tartir (2005), dengan sebuah pendekatan berbasis evolusi, perubahan penting karakteristik ontologi yang sama di berbagai versi dapat dilacak. Sedangkan secara Logis dengan menggunakan aturan built-in dalam ontologi, ontology builder berguna untuk mendeteksi konflik dalam ontology. Sedangkan berbasis matrik disebut juga berbasis feature - yang mengumpulkan berbagai jenis statistik yang merepresentasikan pengetahuan dalam ontologi .
Di antara alat evaluasi pre-deployment, OntoQA menonjol karena bekerja pada populasi ontologi sehingga memungkinkan memanfaatkan pengetahuan untuk mendapatkan ukuran yang lebih baik kualitas ontologi. Selain itu, ini lebih mudah untuk gunakan dibandingkan dengan alat evaluasi lainnya.
OntoQA (Ontology Quality Analysis) merupakan salah satu cara untuk mengevaluasi kualitas dari ontologi. Kerangka kerja OntoQA dikategorikan dalam schema metrics dan
Prosiding ISBN 978-602-18580-3-5
Seminar Nasional Matematika, Sains dan Informatika 2015 409
Pada Schema metrics dilakukan beberapa rangkaian penghitungan untuk mengetahui skema ontologi antara lain :
Relationship Richness (RR) atau yang disebut juga Relationship Diversity (RD), digunakan untuk mengetahui keberagaman relasi yang dimiliki.
Tabel 1. Skala klasifikasi nilai RR Rentang Skala Nilai Skala 0,00 – 0,20 Minimum 0,21 – 0,40 Kurang 0,41 – 0,60 Cukup 0,61 – 0,80 Kaya 0,80 – 1,00 Maksimum
Inheritance Richness (IR) atau yang disebut juga Schema Deepness (SD) digunakan untuk mengukur distribusi informasi dengan membedakan ontologi ke dalam 2 karakter, yaitu ontologi dengan karakter deep atau ontologi dengan karakter shallow.
Tabel 2. Perbandingan nilai IR dan rentang skor nilai IR
Rentang Skala Nilai Skala
0,00 – 1,34 Spesifik
1,35 – 2,68 Cukup Spesifik 2,69 – 4,02 Cukup Umum 4,03 – 5,36 Umum
Tabel 3. Hasil Evaluasi dengan OntoQA
Attribute Richness (AR) digunakan untuk mengukur jumlah informasi yang ada. Semakin banyak attribute atau slot maka semakin banyak informasi yang disediakan oleh ontologi.
3.1 Knowledgebase Metrics
Class Richness (CR): metrik ini indikator bagaimana instances didistribusikan pada seluruh kelas knowledgebase dengan demikian memberikan gambaran tentang seberapa baik
knowledgebase memanfaatkan pengetahuan dimodelkan oleh kelas skema.CR tinggi
menunjukkan bahwa data dalam KB direpresentasikan lebih banyak dari pengetahuan dalam skema.
Class Importance (CI) adalah persentase jumlah instances yang termasuk dalam root
inheritance sub-tree dalam KB dibandingkan dengan jumlah class instances dalam KB. Class ini penting karena akan membantu mengidentifikasi area dari skema berada dalam fokus pada saat instance ditambahkan kedalam KB. Sedangkan Cohesion (Coh) adalah ukuran bagaimana komponen (CC) terhubung yang merepresentasikan grafik KB. Coh = CC, CC adalah jumlah komponen yang terhubung.
3. HASIL PENELITIAN DAN PEMBAHASAN
Ontologi student payment pada penelitian ini dibangun dari hasil konversi dari relational database dengan menggunakan RDBToOnto Converter dan dievaluai dengan metode OntoQA. Pengujian ontologi menggunakan metode OntoQA (Ontology Quality Analysis), OntoQA terdiri
No Ontologi IR
1 TAP (Guha & McCool, 2003) 5.36 2 PSM (Tan et al., 2012) 4.59
3 SWETO (Aleman & Halaschek, 2004)
4.00
Prosiding ISBN 978-602-18580-3-5
Seminar Nasional Matematika, Sains dan Informatika 2015 411
dari tiga rangkaian evaluasi yaitu: evaluasi relationship richness (RR), evaluasi inheritance richness (IR), dan evaluasi attribute Richness (AR).
Gambar 1. Gambar Ontologi Graph Student Payment.
Tabel 3. Hasil Intepretasi
Schema Metrics: Knowledgebase Metrics
Axiom :1021 Total Instances: 98
Total Classes: 8 Class Richness: 100.0 Total Relationships: 59 Average Population: 12.25 Relationship Richness:0 Instance Coverage: 6.03
4. KESIMPULAN
Kesimpulan dari evaluasi ontologi student payment dengan menggunakan metode OntoQA dihasilkan ontologi yang cukup umum, dengan kedalaman pengetahuan yang memadai, dan banyak memiliki relasi non-inheritance . Rancangan ontologi yang dihasilkan dapat dimanfaatkan sebagai metadata student payment berbasis web semantik.
Menggunakan OntoQA untuk mengevaluasi ontology Student P ayment untuk menentukan tingkat penyelarasan ontology dengan tujuan. Pada kasus ini AR perlu lebih ditingkatkan dengan memperbanyak properti dan CR dengan memperkaya instance.
DAFTAR PUSTAKA
Lu Fang, Lijie Wang, Meng Li, Junfeng Zhao1,, Yanzhen Zou1, Lingshuang Shao, 2012.Towards Automatic Tagging for Web Services, " IEEE 19th International Conference on Web Services,
Gómez-Pérez, A., Manzano-Macho, D., Alfonseca, E., Núñez, R., Blacoe, I., Staab, S., Corcho, O., Ding, Y., Paralic, J., Troncy, R. , 2003: A Survey of Ontology Learning Methods and Techniques. In: Gómez-Pérez, A., Manzano-Macho, D. (eds.) OntoWeb Consortium.
Berners-Lee., 2001, "The Semantic Web". The Scientific American .
N. Noy and D. McGuinness, 2001, ―Ontology development 101: A guide to creating your first ontology,‖ Development, vol. 32, pp. 1–25.
A. Gómez-Pérez, M. Fernández-López, and O. Corcho, 2004, Ontological Engineering: with examples from the areas of Knowledge Management, e-Commerce and the Semantic Web., p. 403.
Davies, J., Studer, R., dan Warren, P. 2006, Semantic web Teknologies Trends and Research in Ontology-based Systems. John Wiley & Sons, Chichester.
Y. Y. Y. Yan, J. Z. J. Zhang, and M. Y. M. Yan, 2006 ―Ontology Modeling for Contract: Using OWL to Express Semantic Relations,‖ 10th IEEE Int. Enterp. Distrib. Object Comput. Conf.
Antoniou, G., dan van Harmelen, F.2008, A Semantic web Primer. MIT Press
S. Tartir, I. Arpinar, M. Moore, A. Sheth, and B. Aleman-Meza,2005 ―OntoQA: Metric-Based
Ontology Quality Analysis,‖ in IEEE Workshop on Knowledge Acquisition from Distributed, Autonomous, Semantically Heterogeneous Data and Knowledge Sources, pp. 45–53.
S. Tartir and I. B. Arpinar, ―Ontology evaluation and ranking using OntoQA,‖ in ICSC 2007 International Conference on Semantic Computing, pp. 185–192.
Connolly, Thomas and Carolyn Begg. 2005, Database System: A Practical Approach to Design, Implementation, and Management, 4th Edition. Addison Wesley: Harlow, England.
Cristani, M., Cuel, R. A 2005, Survey on Ontology Creation Methodologies. International Journal of Semantic Web and Information Systems (IJSWIS), Vol. 1, Issue 2.
No Nama Evaluasi Hasil Kesimpulan
1 Relationship Richness
(RR) 0
Ontologi membawa informasi pada level minimum
2 Inheritance Richness (IR) 1 Pengetahuan bersifat spesifik, diantara PSM
dan SWETO.
3 Attribute Richness (AR) 7,3 Rata rata setiap class memiliki 7 attribute, berarti informasi yang ada sangat banyak. Inheritance Richness: 1.0 Height Distribution: 0.5
Seminar Nasional Matematika, Sains dan Informatika 2015 413
PERANCANGAN SISTEM INFORMASI SUMBER DAYA MANUSIA DI PT. ABC