Saran - IMPLEMENTASI DAN PENGUJIAN SISTEM

BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM

5.2 Saran

Aplikasi dari Sistem Pencarian Informasi Buku perlu dikembangkan lagi agar menjadi sistem yang lebih handal dan akurat dalam melakukan pencarian, berikut ini adalah beberapa saran yang dapat dilakukan :

1. Perbaiki tampilan web menggunakan AJAX dan/atau JQuery agar bisa menghemat bandwidth.

2. Gunakan algoritma stemming lain yang memiliki tingkat akurasi lebih tinggi dari algoritma Nazief & Adriani.

3. Gunakan sistem paging pada halaman pencarian lebih lanjut, sehingga hasil pencarian tidak menumpuk pada satu halaman saja.

137

[1] Cristianini, Nello., dan Shawe, John., Support Vector Machinesand other

kernel-based learning methods. http://www.support-vector.net/references.html.

Diakses pada tanggal 1 Maret 2012.

[2] Joachims, Thorsten. (1997). Text Categorization with Support Vector

Machine : Learning with Many Relevant Features. Technical Report 23,

Universitat Dortmund, LS VIII.

[3] Hariyono, Ashari, Erwin, Muhammad., dan Wahyudi. (2005). Customer

Information Gathering Menggunakan Metode Temu Kembali Informasi Dengan

Model Ruang Vektor. ISBN: 979-756-061-6.

[4] Sommerville, Ian. "Software Engineering. 6th. Addison Wesley. 2000.

[5] B. Schcolkopf and A.J. Smola. Learning with Kernels. The MIT Press,

Cambridge, Massachusetts, 2002.

[6] V. Vapnik. The Nature of Statistical Learning Theory. Springer Verlag, 1995.

[7] Simon Haykin. Neural Network: A Comprehensive Foundation. Prentice Hall,

New Jersey, 1999.

[8] Larsen, Jan. 1998. Vector Space Model.

http://cogsys.imm.dtu.dk/thor/projects/multimedia/textmining/node5.html. Diakses pada tanggal 4 Juni 2012.

[9] T. Onoda, H. Murata, and S. Yamada, Relevance feedback with active

learning for document retrieval, in Proc. of IJCNN2003, pp. 1757–1762, 2003. [10] Witten, Ian H., Moffat, Alistair, Bell, Timothy C., Managing Gigabytes:

Compressing and Indexing Documents and Images, second edition. Morgan

Kaufmann Publishers, Academic Press, 1999.

[11] D. Harris, S. Behzad, G. C. David. Relevance Feedback using Support Vector

Machines. AT&T Research.

[12] Parmawati, Putu Tika. Kesiman, Made Windu Antara. Agustini, Ketut. Sistem

Temu Kembali Kelas Buku Untuk Menentukan Nomor Klasifikasi Buku di Perpustakaan. ISSN 2087-2658. 2010.

[13] Murad, AzmiMA., Martin, Trevor.2007.Word Similarity for Document

Grouping using Soft Computing.IJCSNS International Journal of Computer

Science and Network Security, Vol.7 No.8, August 2007, pp. 20-

27.(online).(http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.132.1750&

rep=rep1&type=pdf, diakses 19 Juni 2012).

[14] Frakes, William B and Yates, Ricardo Baeza. Information Retrieval: Data

Structures and Algorithms. 2004.

[15] Cios, Krzysztof J. Etc. Data Mining a Knowledge Discovery Approach,

Springer. 2007.

[16] Chu W. Liu Z, Mao W. Textual Document Indexing and Retrieval via

[17] Hyusein, Byurhan, Patel, Ahmad. Web Document Indexing and Retrieval,

LNCS 2588 pp. 573-579, Springer Verlag Berlin. 2003.

[18] Manning, Christopher D, Ragnavan Prabhakar, Schutze, Hinrich. Introduction

to Information Retrieval, Cambridge University Press. 2008.

[19] Document Indexing Tutorial for Information Retrieval Students and Search

Engine Marketers, http://www.miislita.com/information-retrievaltutorial/

indexing.html, 10 November 2008.

[20] Polettini, Nicola. The Vector Space Model in Information Retrieval – Term Weighting Problem. 2004.

[21] Tata, Sandeep, Patel M, Jignesh. Estimating he Selectivity of tf-idf based

Cosine Similarity edicates, Sigmod Record December 2007 Vol 36 No. 4

[22] Garcia. E. Dr. Cosine Similarity Term Weight Tutorial. 2006. (online).

(http://www.miislita.com/information-retrieval-tutorial/indexing.html. diakses 10

maret 2011).

[23] Nazief, Bobby dan Mirna Adriani. Confix-Stripping: Approach to Stemming

Algorithm for Bahasa Indonesia, Fakulty of Computer Science University of

Indonesia.

[24] Agusta, Ledy. Perbandingan Algoritma Stemming Porter Dengan Algoritma

Nazief & Adriani Untuk Stemming Dokumen Teks Bahasa Indonesia. 2009.

Fakultas Teknologi Informasi dari Universitas Kristen Satya Wacana Indonesia.

[25] Anonim. Information Retrieval and Extraction. 2008. (online)

[26] D.P. Bertsekas. Nonlinear Programming. Athena Scientific, Belmount,

Massachusetts, 1990.

[27] A. B. Manwar, dkk. A Vector Space Model For Information Retrieval: A

Matlab Approach. Indian Journal of Computer Science and Engineering (IJCSE).

[28] Cholifah, Purwananto. Yudhi, dan Bramantoro. Arif. Aplikasi Information

Retrieval Untuk Pembentukan Tesaurus Berbahasa Indonesia Secara Otomatis.

Institut Teknologi Sepuluh Nopember, Surabaya.

[29] Santosa. Budi. Tutorial Support Vector Machines. Institut Teknologi Sepuluh

1. DATA PRIBADI

nama : Riki Hidayat

jenis kelamin : Laki-laki

tempat, tanggal lahir : Bandung, 1 Januari 1991

agama : Islam

kewarganegaraan : Indonesia

status : Belum kawin

anak ke : Tiga dari lima bersaudara

alamat : Jl. Cibuntu Timur No.19 RT. 06/04 Kelurahan Warung Muncang Kecamatan Bandung Kulon- Bandung 40211

telepon : +62856 2407 7144

e-mail : riki.hidayat.91@gmail.com

2. RIWAYAT PENDIDIKAN

1. Sekolah Dasar : Madrasah Ibtidayah AT-Taufiq

tahun ajaran 1996-2002

2. Sekolah Menengah Pertama : SMP Negeri 10 Bandung

tahun ajaran 2002-2005

3. Sekolah Menengah Atas : SMA YWKA Bandung

Demikian riwayat hidup ini saya buat dengan sebenar-benarnya dalam keadaan

sadar dan tanpa paksaan.

Bandung,

INFORMASI BUKU

1. Jumlah buku yang semakin banyak.

2. Belum adanya sistem pencarian informasi buku untuk mempermudah atau

mempercepat pengunjung untuk melakukan pencarian buku.

3. Terbatasanya informasi mengenai identitas buku yang diketahui

pengunjung perpustakaan.

Bagaimana membangun sistem pencarian informasi buku yang dinamis,

dengan menerapkan metode vector space model dan support vector

machines.

Halaman 4

membuat suatu desain dan implementasi sistem pencarian informasi buku yang

dinamis di perpustakaan daerah provinsi Jawa Barat dengan menerapkan

metode VSM dan SVMs

Maksud

Mempermudah melakukan pencarian informasi buku dengan menggunakan

query sebagai masukan terhadap sistem.

1. Sistem akan dibangun berbasiskan website,

2. Sistem yang dibangun adalah sistem pencarian informasi buku yang ada

diperpustakaan daerah Bandung, provinsi Jawa Barat,

3. Sistem merupakan pengembangan dari http://www.bapusipda.jabarprov.go.id,

4. Sistem digunakan oleh dua kategori pengguna yaitu operator dan pengunjung situs,

5. Sistem hanya membutuhkan satu pengguna sebagai operator,

6. Informasi yang diberikan sistem yaitu berupa identitas buku (judul, pengarang, dan

golongan) dan deskripsi buku,

7. Sistem akan dibangun menggunakan bahasa pemrograman PHP dan Database

Management System MySQL.

Halaman 8

Definition

System and Software Design

Implementation and Unit Testing

Integration and System Testing

Operation and Maintenance

Halaman 9

Masukkan Query

Cek Data Buku yang Relevan

Mencari dan Memberi Peringkat Data Buku Berdasarkan Ukuran Kemiripan

Menampilkan Maksimal 10 Informasi Buku dengan Ukuran Kemiripan Tertinggi

Menampilkan Informasi Buku Hasil Klasifikasi

Mengklasifikasi Seluruh Data Buku Berdasarkan Hasil Cek Pengunjung

1. Tokenizing

2. Filtering

3. Stemming

4. Pembuatan Keyword

5. Vector Space Model (VSM)

6. Support Vector Machines (SVMs)

proses pemotongan string input berdasarkan tiap kata yang menyusunya serta

membedakan karakter-karakter tertentu yang dapat diperlakukan sebagai

pemisah kata atau bukan

Halaman 11

Dalam buku ini, ada bagian tentang pengantar dan

pengenalan TOEFL dalam buku ini ada bagian tentang pengantar dan pengenalan toefl Teks Masukkan Hasil Tokenizing

Karakter Karakter Karakter Karakter ! ~ + \ @ & = / # * { “ $ ( } „ % ) [ : ^ - ] ; ` - | . , < > ?

white space (tab, spasi, enter)

Proses mengambil kata-kata penting dari hasil tokenizing dengan cara

menghapus kata yang tidak penting (stop word).

Halaman 13 dalam buku ini ada bagian tentang pengantar dan pengenalan toefl Hasil Tokenizing buku pengantar pengenalan toefl Hasil Filtering

Halaman 14 yang sudah mampu tetapi tentang bisa di melakukannya setelah lakukan semua memang hampir baik juga lain am pernah antara setiap dan untuk ada dari seperti mendapatkan jadi punya karena telah of mr mrs …, dan lain-lain

Proses mencari kata dasar dari tiap kata hasil filtering.

Halaman 15 buku pengantar pengenalan toefl Hasil Filtering buku antar kenal toefl Hasil Stemming

1. Cari kata dikamus.

2. Hapus Inflection Suffixes (“-lah”, “-kah”, “-ku”, “-mu”, atau “-nya”)

3. Hapus Derivation Suffixes (“-i”, “-an” atau “-kan”)

4. Hapus Derivation Prefix (“be-”, “di-”, “ke-”, “me-”, “pe-”, “se-”, danc “te-”)

5. Melakukan Recoding

6. Jika semua langkah telah selesai tetapi tidak juga berhasil maka kata awal

diasumsikan sebagai root word.

Recoding

Halaman 17

5 beC1erC2... be-C1erC2... dimana C1!={‟r‟|‟l‟}

6 terV... ter-V... | te-rV...

7 terCerV... ter-CerV... dimana C!=‟r‟

8 terCP... ter-CP... dimana C!=‟r‟ dan P!=‟er‟

9 teC1erC2... te-C1erC2... dimana C1!=‟r‟

10 me{l|r|w|y}V... me-{l|r|w|y}V...

11 mem{b|f|v}... mem-{b|f|v}...

12 mempe... mem-pe...

13 mem{rV|V}... me-m{rV|V}... |me-p{rV|V}…

14 men{c|d|j|z}... men-{c|d|j|z}...

15 menV... me-nV... | me-tV

16 meng{g|h|q|k}... meng-{g|h|q|k}...

17 mengV... meng-V... | meng-kV...

18 menyV... meny-sV...

19 mempV... mem-pV... dengan V!=‟e‟

20 pe{w|y}V... pe-{w|y}V...

21 perV... per-V... | pe-rV...

22 perCAP per-CAP... dimana C!=‟r‟ dan P!=‟er‟

23 perCAerV... per-CAerV... dimana C!=‟r‟

24 pem{b|f|V}... pem-{b|f|V}...

25 pem{rV|V}... pe-m{rV|V}... | pe-p{rV|V}…

26 pen{c|d|j|z}... pen-{c|d|j|z}...

27 penV... pe-nV... | pe-tV...

28 peng{g|h|q}... peng-{g|h|q}...

29 pengV... peng-V... | peng-kV...

30 penyV... peny-sV...

31 pelV... pe-lV... kecuali “pelajar” yang menghasilkan “ajar”

32 peCerV... per-erV... dimana C!={r|w|y|l|m|n}

33 peCP... pe-CP... dimana C!={r|w|y|l|m|n} dan P!=‟er‟

34 terC1erC2... ter-C1erC2... dimana C1!=‟r‟

Awalan (prefix) Akhiran (suffix) yang dilarang

be- -i

di- -an

ke- -i, -kan

me- -an

se- -i, -kan

te- -an

Keyword yang dimaksud dalam penelitian ini adalah data buku yang

merupakan gabungan dari judul, pengarang dan deskripsi buku yang sudah

mengalami proses tokenizing, filtering dan stemming.

1. Data buku langsung diketik di form Penambahan atau Pengubahan Data

Buku tidak disarankan untuk menyalin melalui media lain, seperti Microsoft

Office.

2. Jika ada lebih dari satu pengarang maka gunakan tanda ” ; ” atau “ : ”

sebagai pemisah antara pengarang yang satu dengan yang lainnya.

3. Jika ada poin-poin dalam deskripsi gunakan tanda “ - “ sebagai tanda poin

dalam kalimat.

1. Pembobotan

2. Normalisasi

3. Ukuran Kemiripan (Cosine Similiarity)



Halaman 23

1. Reperesentasi Data

2. Pembelajaran dan Klasifikasi

Keyword

7700 peribahasa indonesia drs nur arifin chaniago bagas pratama spd tata

bahasa bahasa indonesia kenal peribahasa peribahasa kandung makna

dalam hidup itu sebab orang peribahasa sampai maksud ungkap judul 7700

peribahasa indonesia saji lengkap bahasa ringkas padat

Format SVM Light

1 1:0.239011 2:0.348346 3:0.0256246 4:0.119506 5:0.157205

6:0.157205 7:0.157205 8:0.157205 9:0.157205 10:0.157205 11:0.157205

12:0.113099 15:0.0818057 18:0.157205 19:0.157205 20:0.0974526

21:0.0696691 22:0.119506 23:0.157205 24:0.0974526 26:0.157205

27:0.119506 28:0.157205 29:0.157205 33:0.0597528 34:0.0376998

36:0.157205 37:0.157205

Halaman 25

Halaman 26

d

1 )

(x  

f

1 )

(x ^ ^

f

1 )

(x  

f

1 )

(x ^ ^

f

0 )

(x 

f

margin

w^

w

b



1. Usecase

2. Aktivitas Optimisasi Sistem Pencarian

3. Aktivitas Pencarian Menggunakan VSM

4. Aktivitas Pencarian Menggunakan SVMs

Halaman 28 <<i ncl ude>> <<extend>> Pencari an M enggunakan Vector Space M odel Pengunj ung Operator Penyaj i an Deskri psi T am bah Data Buku Hapus Data Buku Ubah Data Buku Opti m i sasi Si stem Pencari an Support Vector M achi nes T am bah Data Gol ongan Ubah Data Gol ongan Logi n Pencari an Berdasarkan Judul Buku

Halaman 29

[Jumlah = 0]

[Jumlah > o] [Data Buku] Menekan T ombol

Optimisasi ^{Cek Jumlah Data Buku}

Membuat Index Menghitung Bobot Normalisasi Membuat Data T es Menampilkan Pesan Kesalahan

Halaman 31

[Semua Relevan atau T idak Relevan]

[Beberapa Relevan] [Data Buku]

[Semua Relevan atau T idak Relevan] [Semua Relevan atau

T idak Relevan] Men checklist

Beberapa Data Buku Relevan

Membaca Data Buku Relevan dan tidak

Relevan

Membuat Data Latih

Membuat Model File

Melakukan T es Pada Setiap Data Buku

Menampilkan Hasil Klasifikasi

Menghapus Hasil T es

Menghapus Data Latih

Menghapus Model File Menampilkan Pesan

 Alpha

1. Pengujian Optimisasi Sistem Pencarian

2. Pengujian Pencarian Menggunakan Vector Space Model

3. Pencarian Menggunakan Support Vector Machines

 Beta

Data Masukan Keyword

Yang Diharapkan Menghitung bobot setiap kata yang terdapat di

keyword, jika ada kata yang sama maka kata diwakili oleh satu nilai bobot saja kemudian nilai bobot

disimpan ke database