METODOLOGI PENELITIAN
3.3 Pengumpulan Data
3.3.1 Lingkungan Implementasi
Lingkungan implementasi meliputi lingkungan perangkat keras dan perangkat lunak
3.3.1.1Lingkungan Prangkat Keras
Dalam mengkaji metode similarity – mashup untuk modul relevant content ini digunakan laptop dengan spesifikasi:
1. Prosesor Intel® Core(TM) 2 Duo CPU T5800 @2.00 GHz 2.00GHz 2. VGA Intel® 45 Express Chipset Family
3. Memory 3 GB 4. Harddisk 320 GB
5. Monitor 14”
3.3.1.2Lingkungan Perangkat Lunak
Perangkat lunak yang digunakan dalam mengkaji metode similarity – mashup untuk modul relevant content ini adalah:
1. Sistem Operasi Windows 7 Ultimate 32-bit (6.1, Build 7600) 2. WAMPSERVER 2.2
3. PHP Version 5.3.8 4. Apache 2.2.21 5. MySQL 5.5.16
6. Microsoft Office Visio 2007 7. Google Chrome 20.0.1132.57m 3.3.2 Pengujian
Pengujian pada penelitian ini dilakukan dengan cara melakukan input data berupa artikel sebanyak 20 kali dan melihat hasil relevant content yang dihasilkan oleh setiap artikel yang diinputkan, baik itu hasil relevant content yang bersumber dari internal maupun external sistem. Data artikel uji coba selanjutnya akan diolah bersama dengan data kandidat relevant conent menggunakan metode yang
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
35
telah dijelaskan sebelumnya guna mendapatkan konten-konten yang paling
relevant dengan konten utama.
Relevent content yang dihasilkan akan ditampilkan melalui halaman
website. Relevant content diurutkan terlebih dahulu berdasarkan nilai similarity
sebelum ditampilkan melalui website. Konten dengan nilai nol tidak akan ditampilkan. Jumlah relevant content yang akan ditampilkan pada halaman web ditunjukkan pada tabel 4.7.
Tabel 4. 7 Jumlah Relevant Content Yang Ditampilkan
No Konten Sumber Jumlah tampil
1 Artikel Internal 3 2 Gambar Internal 6 3 Video Internal 3 4 Banner Internal 2 5 Artikel External 6 6 Gambar External 6 7 Video External 6 3.4 Experimental Result
Dari hasil uji coba dapat dilihat bahwa modul relevant content telah dapat terintegrasi pada CMS Lokomedia. Modul Relevant Content dapat memberikan serta menampilkan konten-konten yang terkait dengan konten utama, baik itu konten yang berasal dari dalammaupun luar sistem.
Dari hasil uji coba juga dapat dilihat bahwa konten-konten yang berasal dari luar sistem memberikan nilai similarity yang lebih tinggi dibandingkan dengan konten-konten yang berasal dari dalam sistem. Hal ini dapat dilihat dari nilai rata-rata hasil relevant content internal dan external seperti yang ditunjukkan pada tabel 4.8. Nilai rata-rata dari semua jenis relevant content baik internal
maupun external dihitung dari jumlah nilai similarity setiap konten dibagi dengan banyaknya konten. Namun khusus untuk relevant content artikel dan gambar
external, nilai rata-rata dihitung dengan menghitung nilai rata-rata relevant content dari setiap website acuan terlebih dahulu kemudian baru menghitung rata-rata totalnya. Sebagai contoh misal ada 6 website acuan maka nilai rata-rata
commit to user
dihitung dengan menjumlahkan nilai rata-rata dari setiap website acuan tersebut kemudian dibagi 6.
Tabel 4. 8 Nilai Rata-Rata Hasil Relevant Content Internal Dan External
Percobaan Nilai rata-rata Internal Nilai rata-rata External Artikel Gambar Video Banner Artikel Gambar Video 1 0.0602 0.0697 0.0969 0.1297 0.2281 0.4916 0.5748 2 0.0568 0.0668 0.0750 0 0.3080 0.4132 0.5218 3 0.0350 0.0477 0.0344 0 0.1668 0.4694 0.2550 4 0.0412 0.0498 0.0384 0 0.1859 0.4557 0.3157 5 0.0639 0.0607 0.0381 0 0.1529 0.5225 0.4096 6 0.0551 0.0599 0.0599 0.0420 0.1727 0.3963 0.2858 7 0.0513 0.0693 0.0762 0 0.1991 0.4260 0.3401 8 0.0718 0.0586 0.0559 0.0363 0.1726 0.3066 0.4551 9 0.0587 0.0277 0.0437 0 0.2554 0.7836 0.2767 10 0.0675 0.0573 0.0682 0 0.1554 0.4603 0.3420 11 0.0794 0.0654 0.0713 0 0.3639 0.5097 0.4329 12 0.0334 0.0291 0.0363 0 0.1906 0.3522 0.1885 13 0.0640 0.0336 0.0407 0 0.2554 0.3323 0.1725 14 0.0472 0.0583 0.0150 0 0.2596 0.3879 0 15 0.0561 0.0694 0.0806 0 0.2042 0.6269 0.2669 16 0.0678 0.0492 0.0849 0 0.1256 0.3498 0.3536 17 0.0269 0.0309 0.0485 0 0.1347 0.2639 0.2956 18 0.0527 0.0432 0.0394 0 0.2238 0.1500 0.0385 19 0.0843 0.0575 0.0671 0 0.1235 0.8926 0.1936 20 0.0203 0.0591 0.0796 0.0666 0.1064 0.3617 0.4160 Rata – Rata 0.0547 0.0532 0.0575 0.0137 0.1992 0.4476 0.3067
Dari tabel 4.8 dapat diketahui selisih nilai rata-rata dari setiap jenis
relevant content yang dihasilkan. Adapun selisih tersebut ditunjukkan pada tabel 4.9.
Tabel 4. 9 Selisih Antara Nilai Rata-Rata Relevant Content Internal Dan External
Jenis Konten Nilai rata-rata Selisih Internal External Artikel 0.0547 0.1992 0.1445 Gambar 0.0532 0.4476 0.3944 Video 0.0575 0.3067 0.2492
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
37
Selisih nilai rata-rata relevant content artikel external lebih besar 0,1445 dari nilai rata-rata relevant content artikel internal. Kemudian nilai rata-rata untuk
relevant content gambar external lebih besar 0,3944 dan nilai rata-rata untuk
relevant content video external lebih besar 0.2492.
Dalam mendapatkan kandidat relevant content external sangatlah dipengaruhi oleh website acuan. Apabila website yang dijadikan sebagai acuan dalam mendapatkan relevant content mengalami down atau website tersebut tidak memiliki konten yang berkaitan dengan konten utama pada sistem maka secara otomatis tidak akan ada konten yang dapat diambil untuk dijadikan sebagai kandidat relevant content.
commit to user
BAB V PENUTUP
5.1 Kesimpulan
Berdasarkan hasil penelitian tugas akhir yang dilakukan, maka dapat disimpulkan beberapa hal sebagai berikut:
1. Metode similarity – mashup untuk modul relevant content telah dapat terintegrasi pada CMS Lokomedia. Terbukti dari hasil relevant content
yang telah dihasilkan
2. Setiap jenis konten memiliki metadata tersendiri dalam perhitungan nilai
similarity. Untuk menghitung nilai similarity antara konten utama dengan artikel internal digunakan judul, isi berita, dan tag, sedangkan untuk gambar dan video internal digunakan judul. Kemudian untuk menghitung nilai similarity antara konten utama dengan gambar external digunakan
snippet dan untuk artikel maupun video external digunakan judul.
3. Relevant Content yang berasal dari luar sistem memiliki nilai similarity
yang lebih tinggi dari pada relevant content yang berasal dari dalam sistem. Hal tersebut dikarenakan konten dari luar sistem lebih banyak dari pada konten dari dalam sistem sehingga konten dari luar sistem memiliki kemungkinan kesamaan metadata yang lebih besar dengan konten utama. Hal ini dapat dilihat dari selisih nilai rata-rata, yang mana nilai rata-rata
relevant content artikel external lebih besar 0,1445 dari nilai rata-rata
relevant content artikel internal. Kemudian rata-rata untuk relevant content gambar external lebih besar 0,3944 dan rata-rata untuk relevant contentvideo external lebih besar 0.2492.
perpustakaan.uns.ac.id digilib.uns.ac.id
commit to user
39
5.2 Saran
Berikut ini adalah beberapa saran yang dapat dipertimbangkan jika tugas akhir ini akan dikembangkan lebih lanjut:
1. Dalam penelitian ini relevant content yang dihasilkan terbatas pada konten yang berbahasa Indonesia, maka dari itu untuk penelitian selanjutnya bisa ditambahkan fitur multi language seperti dengan memanfaatkan Google Translate API untuk mendapatkan relevant content dalam berbagai bahasa. 2. Dalam penelitian tugas akhir ini relevant content didapatkan berdasarkan kemiripan metadata konten. Untuk penelitian ke depan bisa ditambahkan metode image processing untuk mendapatkan relevant content gambar yang lebih akurat.
3. Penerapan teknologi mashup dapat menjadikan konten dari aplikasi web menjadi lebih dinamis. Namun masalah yang muncul adalah sisi penyedia data mashup. Ketika penyedia data mengalami masalah atau tidak ada konten yang terkait dengan konten utama pada sistem, maka sistem juga akan mengalami masalah yang menyebabkan sistem tidak berjalan semestinya. Permasalahan ini dapat diminimalisasi dengan menjadikan penyedia layanan data yang terpercaya sebagai sumber mashup sehingga kontinuitas dan masalah dengan data bisa dicegah dan konten yang dinamis dapat terjaga.
4. Pada saat mendapatkan konten mashup juga sangat dipengaruhi oleh penyedia API, dalam tugas akhir ini Google Search API. Terutama dalam cara penggunaan API, hal ini karena Google Search API masih terus dikembangkan. Oleh karena itu diharapkan dalam pengembangan selanjutnya, atau dalam pengembangan yang lain yang terkait dengan
mashup, pengembang dapat melakukan pemeriksaan berkala terhadap penyedia API sebagai tindakan preventif demi mengetahui perubahan informasi yang terjadi, baik dalam format data atau dalam hal yang lain.