PENERAPAN SPARSE MATRIX PADA REKOMENDASI BERITA PERSONAL UNTUK PENGGUNA ANONIM SKRIPSI RIZQI MULKI

Transkripsi

1 PENERAPAN SPARSE MATRIX PADA REKOMENDASI BERITA PERSONAL UNTUK PENGGUNA ANONIM SKRIPSI RIZQI MULKI PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2014

2 PENERAPAN SPARSE MATRIX PADA REKOMENDASI BERITA PERSONAL UNTUK PENGGUNA ANONIM SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi RIZQI MULKI PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2014

3 i PERSETUJUAN Judul : PENERAPAN SPARSE MATRIX PADA REKOMENDASI BERITA PERSONAL UNTUK PENGGUNA ANONIM Kategori : SKRIPSI Nama : RIZQI MULKI Nomor Induk Mahasiswa : Program Studi : SARJANA (S-1) TEKNOLOGI INFORMASI Departemen : TEKNOLOGI INFORMASI Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI Diluluskan di Medan, Agustus 2014 Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Dr. Mardiningsih, M.Si Romi Fadillah Rahmat, B.Comp.Sc.,M.Sc NIP NIP Diketahui/Disetujui Oleh Program Studi Teknologi Informasi Ketua, M. Anggia Muchtar, ST. MM.IT NIP

4 ii PERNYATAAN PENERAPAN SPARSE MATRIX PADA REKOMENDASI BERITA PERSONAL UNTUK PENGGUNA ANONIM SKRIPSI Saya mengakui bahwa skripsi adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringakasan yang masing masing telah disebutkan sumbernya. Medan, Agustus 2014 Rizqi Mulki

5 iii PENGHARGAAN Puji dan syukur dihadiahkan kehadirat Allah SWT, serta selawat kepada Nabi Muhammad SAW, karena atas anugerah dari-nya lah penulis dapat menyelesaikan skripsi ini. Rasa syukur yang sangat besar kepada Allah SWT, karena kemudahan yang Allah anugerahkan sehingga skripsi ini bisa diselesaikan. Dalam menyelesaikan skripsi ini penulis banyak mendapatkan bantuan dan motivasi dari luar diri. Pada kesempatan ini dengan kerendahan hati, penulis mengucapkan terima kasih banyak kepada : 1. Kedua orang tua penulis, yaitu Bunda, Nuraini.S.Pd dan Ayahanda, Abdullah.S.Pd, karena berkat dukungan baik secara moril maupun materil secara terus menerus sehingga penulis dapat menyelesaikan skripsi ini. Kepada saudara penulis Khairurrijal, Linil Masthura, Muhibuddin, Nurkhalidah, dan seluruh keluarga besar kami. 2. Kepada Bapak Romi Fadillah Rahmat, B.Comp.Sc.,M.Sc dan Ibu Dr. Mardiningsih, M.Si yang terus mendukung dalam penyelesaian skripsi ini. 3. Ketua Jurusan sekaligus penasehat akademik M. Anggia Muchtar, ST. MM.IT dan Sekretaris Jurusan M. Fadly Syahputra, B.Sc, M.Sc.IT. 4. Seluruh Dosen yang mengajar pada Program Studi Teknologi Informasi Universitas Sumatera Utara. 5. Teman teman Teknologi Informasi Stambuk 2009, ranap, satria, ari, zizi, yogi, wildan, fithra, gilberth, aang dan kawan kawan SRC yang telah banyak membantu selama masa studi dan penyelesaian skripsi ini. 6. Rekan rekan kerja saya Kak Adri Arianti, Buk Tapi Rondang, Pak Yassin, Vero, Kak Feby, Kak Nita, Kak Ica dan Pak Naqosya Asrori yang selalu mendukung untuk menyelesaikan skripsi. Dalam menyusun dan penyelesain skripsi ini masih banyak ada kekurangan maka kritik dan saran sangat diharapkan. Demikianlah kata pengantar yang dapat saya sampaikan semoga skripsi ini menjadi berguna dan bermanfaat.

6 iv ABSTRAK Tautan berita online disebar melalui social media oleh pihak portal berita supaya masyarakat tertarik untuk membaca berita ke portal berita mereka. Supaya user yang sudah masuk ke dalam sebuah portal berita, terus membaca berita lain karena menemukan ada berita yang berkaitan dan disukai pada daftar rekomendasi berita personal. Namun, saat ini rekomendasi secara personal bisa diberikan jika sudah memiliki banyak riwayat penjelajahan dan harus dipastikan user sudah login ke portal berita tersebut. Hal ini akan menjadi masalah jika yang membaca berita adalah pengguna anonim dan tidak memiliki riwayat penjelajahan yang banyak, sehingga akan menyulitkan bagi pemilik portal berita untuk menambah jumlah pembaca baru di portal berita mereka, jika pelayanan yang ingin diberikan adalah berupa rekomendasi berita secara personal. Maka dari itu, dibutuhkan sistem rekomendasi secara personal untuk pengguna anonim yang baru sekali atau beberapa kali mengakses berita dan bisa diberikan rekomendasi secara personal dengan menerapkan metode yang memanfaatkan sparse matrix yaitu CSR Sparse Matrix Vector Multiplication dan proximity processing. Bayesian framework for user interest yang merupakan metode untuk sistem rekomendasi personal akan digunakan juga, namun dengan memodifikasi penerapannya yaitu pada term. Penelitian ini menunjukkan bahwa walaupun riwayat penjelajahan sedikit, rekomendasi berita secara personal tetap bisa diberikan kepada pembaca berita. Kata kunci : rekomendasi berita, rekomendasi berita personal, pengguna anonim

7 v SPARSE MATRIX APPLICATION IN PERSONAL NEWS RECOMMENDATION FOR ANONYMOUS USER ABSTRACT Online news links are being spread through the social media by news agencies in order to encourage people to read news from their site. After users have logged in to their site, users will keep on reading news that is relevant to their personalized news recommendation. But, nowadays personalized recommendation could be provided to users only if the site has recorded much of users browsing history and it s mandatory that users have to log in to the site. This could be problematic if the news readers are anonymous users and the site hasn t record enough browsing history from those users. It would be difficult for news agencies to increase their daily readers to their site if they re going to compete with other agencies in the aspect of providing good personalized recommendation. Therefore, personalized recommender system is necessary for anonymous users who ve only visited the news site occasionally, so that the site could recommend the news they re likely to read by implementing CSR Sparse Matrix Vector Multiplication and proximity processing as sparse matrix applied method. Bayesian framework for user interest will also be implemented with the modification in its term. This research will prove that even though news site hasn t recorded enough browsing history, personalized news recommendation could still be provided to the readers. Keywords : News Recommendation, Personal News Recommendation, Anonyomous User

8 vi DAFTAR ISI Halaman PERSETUJUAN... i PERNYATAAN... ii PENGHARGAAN... iii ABSTRAK... iv ABSTRACT...v DAFTAR ISI... vi DAFTAR TABEL... ix DAFTAR GAMBAR... xi BAB 1 PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan Penelitian Batasan Masalah Manfaat Penelitian Metodelogi Penelitian Sistematika Penulisan...4 BAB 2 LANDASAN TEORI Rekomendasi Berita Pengguna Anonim Content Based Recommendation Sparse Matrix Information Filtering Information Retrieval CSR SpMV (Sparse Matrix Vector Multiplication) Proximity Processing Rekomendasi Berita Personal Stopword Removal Stemming Penelitian Sebelumnya... 14

9 vii BAB 3 ANALISIS DAN PERANCANGAN Analisis Data Tahapan Eliminasi CSR SpMV Proximity Processing Bayesian Framework for User Interest Perancangan General Architecture Perancangan Use Case Definisi Aktor Definisi Use Case Skenario Use Case Diagram Use Case Diagram Kelas Diagram Objek Diagram Sekuen Konversi berita Catat akses berita Rekomendasi akses berita Diagram Aktivitas Diagram Komponen Diagram Deployment Perancangan Database Perancangan Antarmuka BAB 4 HASIL DAN PEMBAHASAN Implementasi Sistem Spesifikasi Perangkat Keras dan Perangkat Lunak yang Digunakan Tampilan Implementasi Sistem Pada daftar item plugin Menu untuk pengaturan Halaman pengaturan batas pengambilan berita rekomendasi Halaman pengaturan lama sesi aktif Uji Sistem dan Analisis dengan Satu Pengguna Anonim Uji coba akses berita Analisis Penerapan Sparse Matrix Uji Coba dan Analisis dengan Banyak Pengguna Anonim Analisis Recall dan Precision... 52

10 viii BAB 5 KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN I LAMPIRAN II LAMPIRAN III... 68

11 ix DAFTAR TABEL Tabel 2.1 Aturan untuk inflectional particle 13 Tabel 2.2 Aturan untuk inflectional possesive pronoun 13 Tabel 2.3 Aturan untuk first order derivational prefix 13 Tabel 2.4 Aturan untuk second order derivational prefix 13 Tabel 2.5 Aturan untuk second order derivational prefix (lanjutan) 14 Tabel 2.6 Aturan untuk derivational suffix 14 Tabel 2.7 Penelitian sebelumnya 14 Tabel 3.1 Contoh kumpulan dokumen serta keterangan 18 Tabel 3.2 Hasil dokumen setelah melalui tahapan eliminasi 19 Tabel 3.3 Tf (term frequency) 20 Tabel 3.4 df dan idf 20 Tabel 3.5 Sparse matrix yang ditampilkan dalam bentuk tabel 21 Tabel 3.6 Hasil relevansi dokumen menggunakan algoritma csr spmv 22 Tabel 3.7 Hasil pengurutan nilai akhir secara descending. 22 Tabel 3.8 Term frequency untuk proximy processing 23 Tabel 3.9 Hasil dari menjalankan algoritma proximty processing 25 Tabel 3.10 Nilai untuk rekomendasi setelah diterapkan proximity processing 25 Tabel 3.11 Frekuensi akses term terhadap waktu 27 Tabel 3.12 Penambahan nilai dari penerapan bayesian framework for user interest 28 Tabel 3.13 Hasil rekomendasi 28 Tabel 3.14 Mendeskripsikan secara singkat aktor dalam sistem 29 Tabel 3.15 Mendeskripsikan setiap use case 29 Tabel 3.16 Skenario konversi berita 30 Tabel 3.17 Skenario stemming 31 Tabel 3.18 Skenario stopword removal 31 Tabel 3.19 Skenario ambil kata dan angka 31 Tabel 3.20 Skenario catat akses berita 32 Tabel 3.21 Skenario rekomendasi akses berita 32 Tabel 4.1 Daftar judul berita dan hasil eliminasi untuk bisa 47

12 x Tabel 4.2 Nilai yang didapatkan masing masing dokumen 48 Tabel 4.3 Nilai masing masing dokumen setelah 49 Tabel 4.4 Uji coba akses berita menggunakan 5 Pengguna Anonim 51 Tabel 4.5 Nilai untuk proses precision & recall 53 Tabel 4.6 Nilai untuk proses precision & recall (lanjutan) 54

13 xi DAFTAR GAMBAR Gambar 2.1 contoh sparse matrix 8 Gambar 2.2 Contoh hasil format kompresi csr dari sparse matrix gambar Gambar 2.3 Algoritma CSR SpMV (goharian, et al. 2001). 9 Gambar 2.4 Algoritma untuk proximity processing 10 Gambar 2.5 Flowchart algoritma porter (Budhi, 2006) 12 Gambar 3.1 Alur tahapan eliminasi 17 Gambar 3.2 Alur tahapan csr spmv 19 Gambar 3.3 Format csr dari sparse matrix tabel Gambar 3.4 Format vektor query 21 Gambar 3.5 Alur tahapan proximity processing 23 Gambar 3.6 CSR untuk proximity processing 24 Gambar 3.7 Modifikasi query untuk proximity processing 24 Gambar 3.8 Alur tahapan bayesian framework for user interest 26 Gambar 3.9 Diagram arsitektur 29 Gambar 3.10 Diagram use case 33 Gambar 3.11 Diagram kelas 34 Gambar 3.12 Diagram objek 35 Gambar 3.13 Diagram sequence untuk konversi berita 36 Gambar 3.14 Diagram sequence catat akses berita oleh user 36 Gambar 3.15 Diagram sequence memberikan rekomendasi pada saat akses berita 37 Gambar 3.22 Diagram aktivitas yang menggambarkan kerja sistem 38 Gambar 3.23 Diagram komponen 39 Gambar 3.24 Diagram deployment 39 Gambar 3.25 Perancangan database untuk sistem rekomendasi 40 Gambar 3.26 Prancangan database untuk sistem rekomendasi (lanjutan) 41 Gambar 3.30 Rancangan halaman untuk rekomendasi 41 Gambar 4.1 Plugin setelah dilakukan instalasi 43 Gambar 4.2 Menunjukkan menu setting pnr untuk pengaturan sistem rekomendasi 44 Gambar 4.3 Halaman bagian pengaturan pengambilan berita rekomendasi 44

14 xii Gambar 4.4 Halaman bagian pengaturan lama sesi aktif untuk pengguna anonim 44 Gambar 4.5 Bagian pengaturan untuk menajemen stopword 45 Gambar 4.6 Halaman untuk pengaturan widget 45 Gambar 4.7 Hasil rekomendasi pada halaman web untuk akses berita 50 Gambar 4.8 Grafik precious dan recall 54