SISTEM PENDUKUNG KEPUTUSAN UNTUK
MENGEVALUASI KREDIBILITAS WEB
Sri Primaini Agustanti
3
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
JURNAL SIGMATA | LPPM AMIK SIGMA
19
oleh MyWOT, sebagian besar yang terliputmemiliki 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)
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, ...} menyatakanhimpunan 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.
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,
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
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,
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