BAB 3 ANALISIS DAN PERANCANGAN
3.7. Perancangan Use Case
Use case yang bermanfaat untuk mendeskripsikan ringkasan interaksi antara pengguna (aktor) dan sistem (Eriksson, et al. 2000) yang akan penulis jelaskan secara ringkas tentang sistem yang akan dikembangkan.
3.7.1. Definisi Aktor
Untuk mendefinisikan aktor yang akan menggunakan sistem nantinya serta peran dari masing – masing aktor pada bagian – bagian sistem.
Tabel 3.14 Mendeskripsikan secara singkat aktor dalam sistem
No Aktor Deskripsi
1 Admin Orang yang memasukkan berita – berita baru dan mengatur pengaturan rekomendasi berita personal
2 Pembaca berita Orang yang mengakses berita – berita dan yang menjadi target memberikan
rekomendasi
3.7.2. Definisi Use Case
Mendefinisikan setiap use case yang akan digunakan dan menjadi pendukung sistem rekomendasi.
Tabel 3.15 Mendeskripsikan setiap use case
No Use Case Deskripsi
1 Konversi berita Menkonversi berita menjadi total frekuensi setiap term dan dokumen
2 Stemming Menggunakan algoritma porter untuk mencari
kata dasar
3 Stopword removal Menghapus kata – kata yang tidak memberikan arti
4 Ambil kata dan angka Mengambil hanya kata dan angka dari judul berita
Tabel 3.15 Mendeskripsikan setiap use case (lanjutan)
No Use Case Deskripsi
5 Catat akses berita Mencatat setiap berita yang diakses oleh pembaca berita
6 Rekomendasi Akses berita
Melakukan proses rekomendasi dengan
mempertimbangkan apa yang pernah diakses dan apa yang sedang diakses oleh pembaca berita 7 Manajemen Stopword Untuk menambah jumlah kata yang tidak
penting, supaya hasil rekomendasi lebih bagus
3.7.3. Skenario Use Case
Skenario use case yang digunakan untuk memberikan deskripsi dalam bentuk teks tentang apa yang dikerjakan oleh aktor dan rekasi yang diberikan oleh sistem. Ada 15
use case yang akan dijelaskan dalam bagian skenario use case, yaitu : 1. Konversi berita
Untuk melakukan konversi berita ada 7 tahapan dari skenario normal yang akan terjadi, 1 tahapan dari aktor dan 6 tahapan dari reaksi sistem. Untuk skenario alternatif tidak ada.
Tabel 3.16 Skenario konversi berita
Aksi Aktor Reaksi Sistem
Skenario Normal 1. Menerima judul
2. Memilah perkata
3. Melakukan stopword removal
4. Setiap suku kata dilakukan stemming
5. Melakukan stopword removal sekali lagi 6. Membentuk frekuensi term
7. Menyimpan hasil ke database
2. Stemming
Skenario stemming tidak dibahas sampai bagaimana melakukan stemming karena proses stemming sudah terlihat pada gambar 2.5. Ada 3 tahapan untuk skenario
stemming dari skenario normal, 1 dari aktor dan 2 dari reaksi sistem sedangkan untuk skenario alternatif tidak ada. Skenario stemming ditunjukkan pada tabel 3.17.
Tabel 3.17 Skenario stemming
Aksi Aktor Reaksi Sistem
Skenario Normal 1. Mengirim kalimat
2. Memotong kalimat berdasarkan spasi 3. Mencari kata dasar tiap suku kata
3. Stopword removal
Skenario stopword removal yang berguna untuk menhapus kata – kata yang tidak memberikan arti, ada 3 tahapan dari skenario normal 1 dari aksi aktor dari 2 dari reaksi sistem. Untuk Skenario alternatif tidak ada.
Tabel 3.18 Skenario stopword removal
Aksi Aktor Reaksi Sistem
Skenario Normal
1. Mengirim kalimat
2. Mengambil semua daftar stopword dari database
3. Mengecek untuk setiap suku kata yang ada dalam kalimat, apakah ada di dalam daftar stopword, jika ada maka dihapus
4. Ambil kata dan angka
Skenario pengambilan kata dan angka menggunakan regular expression untuk mendapatkan huruf dan angka saja. Ada 2 tahapan dari skenario ambil kata dan angka yang berasalah dari skenario normal, sedangkan dari skenario alternatif tidak ada.
Tabel 3.19 Skenario ambil kata dan angka
Aksi Aktor Reaksi Sistem
Skenario Normal
1. Mengirim Kalimat
2. Menggunakan Reguler Expression (a-z A-Z 0-9) untuk mengambil hanya huruf dan angka
5. Catat akses berita
Skenario catat akses berita yang berguna untuk melakukan pencatatan untuk setiap kunjungan berita yang dilakukan oleh pengguna anonim. Ada 3 tahapan
yang berasal dari skenario normal, 1 dari aksi aktor dan 2 dari reaksi sistem. Sedangkan untuk skenario alternatif tidak ada.
Tabel 3.20 Skenario catat akses berita
Aksi Aktor Reaksi Sistem
Skenario Normal
1. Membuka url berita diakses
2. Mengambil identitas berita diakses 3. Mencatat identitas berita ke database
6. Rekomendasi akses berita
Skenario rekomendasi akses berita yang berguna untuk memberikan rekomendasi dengan cara mengambil judul berita yang sedang diakses dijadikan query dan jika ada berita yang pernah diakses sebelumnya dijadikan pertimbangan pada perhitungan bayesian framework for user interest. Ada 8 tahapan dari skenario normal, 1 dari aktor dari 7 dari reaksi sistem. Sedangkan untuk skenario alternatif tidak ada.
Tabel 3.21 Skenario rekomendasi akses berita
Aksi Aktor Reaksi Sistem
Skenario Normal
1. Menerima url berita diakses
2. Mengambil semua berita yang di post
terakhir tergantung dengan pengaturan batas berita
3. Menggunakan CSR SpMV
menjadikan query judul dari berita yang diakses
4. Mengurutkan secara desending untuk nilai yang didapatkan
5. Menggunakan proximity processing
untuk memberikan nilai yang lebih tinggi terhadap dokumen yang memiliki kecocokan
6. Menggunakan bayesian framework for user interest untuk mencari tahu berita yang disukai oleh user dan
memberikan nilai untuk hasil tersebut 7. Mengurutkan secara descending nilai yang dihasilkan dari ketiga algoritma 8. Menampilkan judul berita dari 5
3.7.4. Diagram Use Case
Pada tabel 3.14 telah penulis paparkan tentang tipe aktor. Dibagian ini penulis paparkan ulang secara lebih detail secara teknis. Hanya ada 1 jenis aktor :
1. Pengguna Anonim
Pengguna anonim yang merupakan pembaca berita, mengakses halaman berita lalu sistem rekomendasi memberikan rekomendasi ke pembaca berita dengan memasukkan tiga proses di dalamnya yaitu CSR SpMV, proximity processing dan
bayesian framework for user interest. Ketiga proses tersebut akan memberikan nilainya masing – masing terhadap judul berita yang akan direkeomendasikan, 5 tertinggi akan direkomendasikan kepada pembaca berita.
Pada gambar 3.2 ditampilkan secara grafik dalam bentuk use case untuk mendeskripsikan gambaran secara teknis.
Pengguna Anonim
rekomendasi berita
catat berita akses
CSR Sparse Matrix Vector Multiplication
Proximity Processing
Bayesian framework for user interest << include>>
<< include>>
<< include >>
<< include>>
Gambar 3.10 Diagram use case