• Tidak ada hasil yang ditemukan

SISTEM PENDUKUNG KEPUTUSAN UNTUK MENGEVALUASI KREDIBILITAS WEB. Sri Primaini Agustanti

N/A
N/A
Protected

Academic year: 2021

Membagikan "SISTEM PENDUKUNG KEPUTUSAN UNTUK MENGEVALUASI KREDIBILITAS WEB. Sri Primaini Agustanti"

Copied!
8
0
0

Teks penuh

(1)

SISTEM PENDUKUNG KEPUTUSAN UNTUK

MENGEVALUASI KREDIBILITAS WEB

Sri Primaini Agustanti

3

(2)

18

JURNAL SIGMATA | LPPM AMIK SIGMA

SISTEM PENDUKUNG KEPUTUSAN UNTUK MENGEVALUASI KREDIBILITAS WEB

Sri Primaini Agustanti AMIK Sigma Palembang Email: sri.primaini@gmail.com

ABSTRAK

Kredibilitas Web menunjukkan integritas serta apakah informasi yang ada di dalam Web tersebut dapat dipercaya atau tidak. Diperlukan sistem pendukung keputusan untuk mengevaluasi kredibilitas Web (Web evaluation credibility systems, WECS).

Sistem evaluasi kredibilitas Web akan memberi rekomendasi kepada pengguna untuk memberi nilai (rating) kredibilitas terhadap Web yang dikunjungi, mendeteksi pengguna palsu yang memberikan rating palsu, memberikan reputasi kepada pengguna untuk menandai apakah ini pengguna normal atau pengguna palsu.

Untuk menentukan kredibilitas Web dilakukan faktorisasi matriks (matrix factorization, MF) dan

Latent Dirichlet Allocation (LDA), deteksi pengguna jahat dilakukan dengan cara melihat

konsistensi rating Web yang ada dengan yang diberikan oleh pengguna tersebut, reputasi diberikan kepada pengguna yang aktif memberi rating terhadap Web

Kata kunci: kredibilitas Web, rekomendasi, reputasi

1. PENDAHULUAN

Internet merupakan sumber informasi yang

sering digunakan dalam kehidupan

masyarakat sehari-hari. Sejumlah besar informasi diunggah ke Web, mulai dari bacaan ringan seperti informasi produk, hingga bacaan serius seperti informasi medis. Tidak seperti media tradisional seperti televisi dan koran, sumber informasi dari Internet, yang disajikan di situs-situs dalam bentuk Web, terkadang dihadirkan tanpa melalui verfikasi dari sumbernya. Pengguna

secara bebas dapat memperoleh dan

mempublikasikan informasi di situs Web. Hal ini dapat menimbulkan masalah serius jika informasi yang tidak kredibel tersebut digunakan untuk mengambil keputusan. Menurut Fogg (2003), informasi yang kredibel didefinisikan sebagai informasi yang dapat dipercaya. Jika Web menyajikan informasi yang kredibel maka disebut sebagai Web yang kredibel (Schwarz, 2011).

Diperlukan cara untuk mengetahui ukuran kredibilitas Web. MyWOT (www.mywot.com) adalah salah satu sistem yang digunakan untuk mengukur kredibilitas Web. Pada umumnya tingkat kredibilitas Web diketahui dengan cara meminta pengunjung Web

secara sukarela memberikan peringkat

(rating) pada Web tersebut (Liu, 2015). Teknik ini secara pasif meminta pengguna

untuk memberikan peringkat, pada

kenyataannya tidak banyak pengguna yang memberikan peringkat pada Web yang dikunjunginya.

Sejauh ini cara yang digunakan dengan

meminta pengguna untuk memberikan

peringkat cukup menjanjikan, tetapi pada kenyataannya tidak banyak pengguna yang secara sukarela mau memberikan peringkat untuk Web yang diaksesnya.

Ada dua persoalan yang dihadapi dengan teknik ini (Liu, 2015). Pertama begitu banyak Web, tetapi hanya 42.67% yang dapat diliput

(3)

JURNAL SIGMATA | LPPM AMIK SIGMA

19

oleh MyWOT, sebagian besar yang terliput

memiliki rating yang rendah, artinya tingkat kepercayaan kredibilitasnya rendah. Kedua, pengguna jahat (malicious user) dapat memberikan peringkat palsu untuk merusak konten Web tertentu.

Untuk menyelesaikan kedua persoalan

tersebut diperlukan sebuah sistem yang mengintegrasikan fungsionalitas untuk (1)

menarik pengguna agar memberikan

peringkat, (2) melawan pengguna jahat, sehingga diperoleh sistem penilai kredibilitas yang lebih kuat (Liu, 2015). Sistem peniliai kredibilitas ini akan berperan sebagai sebuah Sistem Pendukung Keputusan (SPK) untuk menentukan kredibilitas sebuah Web.

Untuk mencapai tujuan (1), dapat

diselesaikan dengan Faktorisasi Matriks

(Matrix Factorization, MF) dan Latent

Dirichlet Allocation (LDA), sedangkan tujuan

(2) dapat diselesaikan dengan mekanisme bertahan (Liu, 2015).

Berdasarkan uraian di atas, maka dapat dirumuskan permasalahan sebagai berikut:

 Bagaimana membangun SPK Penilai

Kredibilitas Web yang dapat menarik pengguna untuk memberikan peringkat,

menggunakan Faktorisasi Matriks

(Matrix Factorization, MF) dan Latent

Dirichlet Allocation (LDA)

 Bagaimana membangun SPK Penilai

Kredibilitas Web berbasis mekanisme bertahan.

2. TINJAUAN PUSTAKA

2.1. Sistem Pendukung Keputusan

Sistem Pendukung Keputusan (SPK) adalah sistem yang digunakan untuk mendukung

dan membantu proses pengambilan

keputusan pada kondisi semi terstruktur dan tidak terstruktur (Turban, 2005). Pada dasarnya konsep SPK hanyalah sebatas

pada kegiatan membantu melakukan

penilaian. SPK hanya digunakan sebagai alat bantu untuk memperluas kemampuan, bukan menggantikan peran pengambil keputusan. SPK digunakan terutama untuk keputusan-keputusan yang memerlukan penilaian atau pada keputusan-keputusan yang sama sekali tidak dapat didukung oleh algoritma.

SPK terdiri dari sub sistem manajemen data, subsistem manajemen model dan subsistem antarmuka pengguna (Turban, 2005). Jika diperlukan SPK dapat dilengkapi dengan subsistem manajemen basis pengetahuan. Gambar 1.

Pengelolaan Basis

Data Pengelolaan Model

Pengelolaan Antar Muka Pengguna

Pengguna

Gambar 1. Komponen SPK

2.2 Kredibilitas Web

Yamamoto (2011), mengidentifikasi bahwa kredibilitas Web dipengaruhi oleh persepsi pengguna, dengan mempertimbangkan fitur-fitur seperti tampilan visual, popularitas halaman web, jenis domain, nilai PageRank Web tersebut. Hal-hal ini dapat meningkatkan

nilai kredibilitas Web.Secara umum,

kredibilitas informasi sering dianggap sebagai kualitas objektif, seperti keaslian dan

ketepatan informasi. Tetapi penelitian

menunjukkan bahwa kredibilitas informasi adalah kualitas subjektif, dan interpretasinya ditentukan oleh penerima dan informasi (Schwarz, 2011)

(4)

20

JURNAL SIGMATA | LPPM AMIK SIGMA

MyWOT salah satu contoh sistem evaluasi kredibilitas Web (Web Credibility Evaluation

System, WCES) yang secara praktis memiliki

dampak ekonomi bagi penyedia konten. Dengan MyWOT semua domain menerima peringkat kredibilitas, kemudian peringkat ini digunakan oleh penjelajah Web (Web

browser) untuk ditampilkan pada hasil

pencarian oleh Google. Domain yang

peringkatnya rendah secara signifikan akan

menurunkan trafik, walaupun Google

memberi peringkat tinggi pada Web tersebut. Pihak tertentu akan mendapat insentif dengan cara jahat menurunkan peringkat kredibilitas pesaingnya. Hal ini dapat

dilakukan secara sederhana, misalnya

dengan spamming sistem secara otomatis dengan memberikan peringkat kredibilitas negatif (Liu, 2015).

Sistem rekomendasi banyak digunakan pada web komersial seperti e-commerce dan jaringan sosial daring. Sistem rekomendasi tradisional bekerja dengan cara collaborative

filtering, yang memprediksi ketertarikan pengguna melalui pengambilan informasi peringkat dari pengguna lain yang mirip (Adomavicius, 2005). Faktorisasi matriks (MF) terbukti merupakan metode yang paling efektif untuk memprediksi peringkat (Koren, 2009).

2.3 Integrasi Fungsionalitas

Integrasi fungsionalitas menggabungkan sub

sistem rekomendasi dan sub sistem

perlawanan terhadap pengguna jahat.

Model Rekomendasi

Sasaran model rekomendasi adalah

merekomendasi pengguna untuk memberi rating sehingga akan meningkatkan cakupan sistem. Jika diketahui himpunan Web, P = {p1, p2, ...}. Masing-masing konten Web

dengan rating kredibilitas dalam rentang L = {l1, l2, ...li} U l0, dimana l0 menunjukkan

himpunan pengguna yang berpartisipasi di dalam WECS.

U

= {u1, u2, ...} menyatakan

himpunan pengguna yang berpartisipasi di

dalam WECS. Model rekomendasi akan dibangun dengan MF, dengan tahapan sebagai berikut (Adomavicius, 2005):

1. Buat matriks MP yang mencatat interaksi

antara pengguna dengan konten Web.

Elemen mp

u,c = 1 jika pengguna

memberi nilai (rating) terhadap konten Web c, jika tidak maka mp

u,c = 0.

2. Kemudian aplikasikan faktorisasi MP

pada matriks UP dan matriks VP. Untuk

setiap pengguna u dengan vektor faktor latent UUP dan untuk setiap konten Web

c dengan vektor laten VCP dapat

diperoleh secara iteratif pada elemen matriks dengan melakukan derivasi gradient stokastik (SGD) (Liu, 2015)

Upu ←Upu −γ ∂L/Upu (1)

Vp

c ←Vpc −γ ∂L/Vpc (2)

γ adalah nilai pembelajaran (learnng

rate). Persamaan (1) and (2)

menunjukkan bagaimana derivasi

gradient dilakukan dengan

memperhatikanUp dan VP.

∂L/Upu = eu;cVpu−λUpu (3)

∂L/Vpc = eu;cUpu−λVpc (4)

Dimana eu,c adalah agregasi

perbedaan antara nilai yang diprediksi dengan nilai yang sesungguhnya

3. Probabilitas interaksi antara pengguna u dengan kontent Web c dapat diprediksi sebagai berikut:

mp

u;c = (UPU)T VPC

Untuk pengguna u, dibuat daftar Web yang informasi kredibilitasnya sedikit dan belum diberi nilai oleh pengguna u, terurut dari besar ke kecil berdasarkan

probabilitaas yang dipredikisi dan

termasuk dalam rekomendasi Web dengan ranking top-K.

(5)

JURNAL SIGMATA | LPPM AMIK SIGMA

21

Model Mekanisme Pertahanan Terhadap Pengguna Jahat

Selain merekomendasikan pengguna untuk memberi penilaian (rating) terhadap Web yang dikunjungi, fungsi sistem ini juga disiapkan untuk bertahan terhadap pengguna

jahat. Teknik yang digunakan adalah

mekanisme bertahan dengan cara

menganalisis tanggapan pengguna yang terhadap rekomendasi.

Untuk membangun reputasi tinggi secara cepat, pengguna jahat memberi rating palsu secara masif terhadap Web. Kasus ini menjadi penanda adanya pengguna jahat yang memberi penilaian (rating) palsu (Liu, 2015).

Untuk pengguna u, maka vektor Web yang sudah direkomendasikan oleh user adalah Pr

u = {p1, p2, ...}, dan rating palsu Lf = {lf1,

lf

2,...} dan rating yang sesungguhnya Lu = {lu1,

lu2,...}. Jika rating pengguna normal Lui

konsisten dengan rating pengguna palsu Lfi,

jika ∆Li = |Lui – Lfi| lebih kecil atau sama

dengan rating yang sudah terdefinisi

sebelumnya. Indikator konsistensi rating: Θu

= { Θu, Θu,...}, dimana Θu = 1, berarti rating

tersebut konsisten, sebaliknya jika Θu = 0

berarti rating palsu (Liu, 2015).

Distribusi Beta, yang umum digunakan untuk memodelkan ketidakpastian peristiwa acak, digunakan untuk menyimpulkan probablitas bahwa pengguna u melakukan perilaku jahat. Jika probabilitas tingkah laku jahat lebih besar dari asumsi, maka pengguna tersebut dipertimbangkan sebagai pengguna jahat (Liu, 2015).

Efektivitas mekanisme pertahanan tersebut tergantung pada kinerja model rekomendasi. Jika pengguna aktif menilai Web yang

direkomendasikan, perilakunya dapat

dianalisis secara komprehensifdan pengguna jahat dapat terdeteksi. Jika pengguna menolak untuk menilai, tidak mungkin untuk

membedakan pengguna jahat dengan

pengguna normal. Untuk lebih memotivasi

pengguna agar secara aktif menilai konten

Web yang direkomendasikan, selain

rekomendasi pribadi, juga dirancang sistem reputasi adaptif.

Model Reputasi Adaptif

Ada dua cara memberi rating terhadap konten Web, (1) Pengguna memilih sendiri Web yang akan diberi rating, sistem tidak

terlibat. (2) Pengguna memberi rating

terhadap konten Web yang

direkomendasikan oleh sistem. Pada cara yang kedua ini, supaya pengguna lebih aktif memberi rating, sistem akan memberi

penghargaan (reward) reputasi kepada

pengguna yang sudah memberi rating.

Penghargaan ini menentukan reputasi

pengguna. Dengan prinsip ini, ada tiga skenario penghargaan reputasi yang berbeda (Liu, 2015).

Jika pengguna memilih sendiri Web yang akan diberi rating, dan Web tersebut belum memiliki rating, maka pengguna tersebut diberi penghargaan reputasi Rs0

Jika pengguna memilih sendiri Web yang akan diberi rating, dan Web tersebut sudah memiliki rating, maka pengguna tersebut diberi penghargaan reputasi Rs1.

Jika pengguna memberi rating terhadap Web yang direkomendasikan oleh sistem, maka

pengguna tersebut diberi penghargaan

reputasi Rr.

Jika Web hanya memiliki sedikit informasi kredibilitas, maka peringkat menjadi sangat berharga, sehingga Rs0 >> Rs1. Pada sistem

rekomendasi Web ada dua tujuan, yaitu mendorong pengguna untuk memberi rating dan mendeteksi pengguna jahat, maka Rr

diatur untuk lebih besar dari Rs0.

Contoh distribusi nilai reputasi Rs0 = 10, Rs1 =

0,1 dan Rr = 20.

Nilai reputasi tidak hanya meningkat tapi juga dapat menurun. Jika sistem mendeteksi ada pengguna yang memberikan rating palsu,

(6)

22

JURNAL SIGMATA | LPPM AMIK SIGMA

maka nilai reputasi akan menurun. Reputasi

memberikan keistimewaan kepada

pengguna, misalnya sebagai pemimpin di dalam komunitas.

3. USULAN MODEL SISTEM

Seperti sudah dinyatakan pada bagian Pendahuluan, bahwa ada dua persoalan pada sistem evaluasi kredibilitas Web (Web

Evaluation Credibility System, WECS) yaitu

menarik pengguna agar memberikan rating

pada Web yang dikunjunginya, serta

melawan pengguna palsu. Untuk

memperoleh WECS yang lebih kuat, maka diusulkan agar WECS yang akan dibangun: (1) Menggabung sub sistem yang menarik

pengguna untuk memberikan rating dan sub sistem melawan pengguna jahat. Sistem dirancang sebagai sistem yang independen, bukan merupakan bagian dari sistem yang lain, seperti mesin pencari

(2) Dengan kombinasi MF dan LDA, akan dibangun model rekomendasi personal

untuk memotivasi pengguna

memberikan rating ke lebih banyak Web.

(3) Untuk melawan pengguna palsu,

digunakan mekanisme bertahan. Sistem merekomendasikan sejumlah halaman Web yang memiliki rating kredibilitas palsu kepada pengguna, kemudian menganalisis tingkah laku rating yang diberikannya. Digunakan distribusi Beta untuk memodelkan probabilitas tingkah laku pengguna palsu.

(4) Efektivitas fungsionalitas sistem

rekomendasi dapat ditingkatkan dengan merancang sistem reputasi, sistem ini akan memberi penghargaan kepada

pengguna yang memberi penilaian

(rating) terhadap konten Web yang direkomendasikan.

Model sistem tersebut tergambar di dalam arsitektur sistem pada Gambar 2.

3.1 Arsitektur Sistem Rekomendasi

WECS bertindak sebagai repositori

pengetahuan yang menyediakan penilaian kredibilitas dari konten Web yang diminta.

Pengguna melakukan jelajah (browse)

konten Web dan memberi penilaian

kredibilitas (jika ingin) berdasarkan penilaian pribadinya, kemudian penilaian tersebut dikirim ke sistem sebagai kontribusi bagi

kredibilitas akhir Web. Dimungkinkan

pengguna juga memerlukan atau meminta (query) rating dari Web tertentu untuk pengambilan keputusan. Sistem memroses permintaan ini melalui query engine dengan cara memeriksa penyimpan informasi kredibilitas dan mengirimkan hasilnya ke

pengguna (bila ada). Sistem reputasi

digunakan untuk menilai reliabilitas pengguna berdasarkan tingkah laku rating-nya di masa lalu. Makin tinggi reputasi pengguna maka akan makin dampak penilaian kredibilitas yang diberikan terhadap Web (Liu, 2015). Gambar 2 menunjukkan model sistem yang diusulkan oleh Liu. Jadi semua aktivitas pengguna, baik memberi rating terhadap Web tertentu atau meminta informasi tentang Web tertentu akan mempengaruhi kredibilitas Web yang dikunjunginya.

Sistem Reputasi

Mesin Perhitungan Kredibilitas

Mesin Query Mesin Rekomendasi

Antarmuka Rekomendasi Antarmuka Query Pengguna Sistem Penilaian Rekomendasi Submit Penilaian atau Query

Gambar 2. Model Sistem Evaluasi Kredibilitas Web Dengan Fungsionalitas

(7)

JURNAL SIGMATA | LPPM AMIK SIGMA

23

3.2 Arsitektur Sistem Pertahanan Berdasarkan Rekomendasi

Gambar 3 menunjukkan bagaimana

pengguna jahat dan pengguna normal memberikan reaksi terhadap rekomendasi.

Diasumsi Web yang direkomendasikan

sudah memiliki informasi kredibilitas yang

layak. Tetapi sistem masih meminta

pengguna untuk memberi rating palsu agar rating yang ada dapat dipercaya. Misalkan Web sudah memiliki 4-bintang, tetapi sistem menampilkan 2-bintang kepada pengguna-pengguna tertentu. Ide dasar dari manipulasi penilaian (rating) adalah untuk menarik pengguna palsu untuk meniru dan menyalin peringkat palsu, yang dapat digunakan sebagai bukti untuk deteksi serangan. Jika

pengguna normal memutuskan untuk

memberi rating pada Web yang

direkomendasikan, maka biasanya rating yang diberikan tidak berbeda dari rating yang sesungguhnya. Sebaliknya pengguna palsu hanya akan membuat salinan (copy) dari rating yang tampil, tanpa secara sungguh-sungguh memberi rating yang sebenarnya. Dengan membandingkan rating palsu dengan

rating yang sesungguhnya, dapat

diperkirakan tingkah laku pengguna palsu.

Beri Nilai? Beri Nilai? Pengguna Normal Pengguna Jahat

**

****

Web Rekomendasi Rekomendasi Salin

**

****

Penilaian yang sesungguhnya

Penilaian yang terlihat (palsu)

Asesmen aktual

Gambar 2. Pertahanan Berdasarkan

Rekomendasi

KESIMPULAN DAN SARAN

Tulisan ini memberikan usulan untuk

membangun sistem untuk menilai kredibilitas Web dengan cara mengintegrasikan fungsi

rekomendasi untuk menarik pengguna

memberikan rating pada Web dan fungsi untuk mendeteksi pengguna jahat yang

memberikan rating palsu pada Web

berdasarkan fungsi rekomendasi. Sehingga diperoleh sistem evaluasi kredibilitas Web yang lebih kuat.

Dengan menggabungkan MF dan LDA, untuk menarik lebih banyak pengguna memberi rating terhadap konten Web sekaligus

mencegah rating yang diberikan oleh

pengguna jahat.

Agar sistem evaluasi kredibilitas Web ini memberikan keluaran yang lebih presisi, tidak hanya menilai rating yang diberikan oleh pengguna, tetapi dipertimbangkan juga profile pengguna, konteks informasi yang diakses dan informasi lain yang berkaitan dengan pengguna.

DAFTAR PUSTAKA

Adomavicius, Gediminas and Tuzhilin,

Alexander, 2005, Toward the Next

Generation of Recommender System: A Survey of the State-of-the-Art and Possible Extensions, IEEE Transaction

Knowledge Data Engineering, Vol 17, No. 6, June 2005, pp 734 – 749

Fogg, BJ, 2003, Persuasive Technology

Using Computer to Change What We Think and Do, 1st Edition, Elsevier

Josang, Audun, Ismail, Roslan, and Boyd Colin, A Survey of Trust and Reputation

Systems for Online Service Provision,

Decision Support Systems Vol. 43, 2007, pp. 618 - 644

Koren, Yehuda, Bell, Robert and Volinsky,

Chris, 2009 Matrix Factorization

Techniques for Recommender Systems,

(8)

24

JURNAL SIGMATA | LPPM AMIK SIGMA

Liu, Xin, Nielek, Radoslaw, Adamska, Paulina, and Aberer Karl, 2015, Towards

a Highly Effective and Robust Web Credibility Evaluation System, Decision

Support Systems Vol. 70, 2015, pp, 99 – 108

Schwarz, Julia, and Morris, Meredith Ringel,

Augmenting Web Page and Search Result to Support Credibility Assesment, 2011,

Proceeding of ACM CHI, 2011, pp. 1245 - 1254

Gambar

Gambar  2  menunjukkan  model  sistem  yang  diusulkan  oleh  Liu.  Jadi  semua  aktivitas  pengguna,  baik  memberi  rating    terhadap  Web tertentu atau meminta informasi tentang  Web tertentu akan mempengaruhi kredibilitas  Web yang dikunjunginya
Gambar  3  menunjukkan  bagaimana  pengguna  jahat  dan  pengguna  normal  memberikan  reaksi  terhadap  rekomendasi

Referensi

Dokumen terkait

Dari uraian pembahasan diatas dapat ditarik kesimpulan bahwa makn dan dan kedudukan Haluan Negara dalam sistem ketatanegaraan Indonesia ditinjau dari filsafat

Pada lembar aktivitas pembelajaran siswa dengan metode simulasi melalui media gambar nilai rata-rata persentase siswa yang memperhatikan dan mendengarkan motivasi

Laporan mengenai jenis hama dan kerusakan pada pertanaman belimbing di Kabupaten Blitar masih belum dilaporkan, sehingga perlu dilakukan untuk memperoleh data tentang hama

Pada bab ini, akan dijelaskan mengenai pengertian dan juga teori-teori tentang istilah-istilah yang akan digunakan, seperti pengertian dari cagar budaya, objek wisata,

1) Pelaksanaan penyidikan terhadap tindak pidana penebangan liar yang terjadi di wilayah hukum Polres Aro Suka Kabupaten Solok didominasi oleh Penyidik Polri

Penurunan kadar protein cumi-cumi olahan yang disimpan pada suhu 30 o C dengan kemasan PE vakum selama 2 hari penyimpanan adalah sebesar 11,51% dari 14,43% menjadi 2,92%..

Gambar 4.6 dapat diketahui pada bahwa wilayah Jawa Barat yang mempunyai nilai percepatan getaran tanah maksimum PGA tertinggi adalah wilayah Sukabumi, Kota Sukabumi, Kota

Penetapan lokasi sampel untuk penelitian dilakukan secara purposif dengan pertimbangan jumlah sampel lokasi dari 5 lokasi yang memenuhi persyaratan dan 2 lokasi (40%) yang di pilih