PRESENTASI TUGAS AKHIR KI PERANCANGAN DAN PEMBANGUNAN MODUL REKOMENDASI SECTION PADA OPEN JOURNAL SYSTEM (OJS)

Transkripsi

1 PRESENTASI TUGAS AKHIR KI PERANCANGAN DAN PEMBANGUNAN MODUL REKOMENDASI SECTION PADA OPEN JOURNAL SYSTEM (OJS) (Kata kunci: Jurnal, K-Nearest Neighbor, Karya Ilmiah, Klasifikasi Penyusun Tugas Akhir : Achmad Zarman Syahran (NRP: ) Dosen Pembimbing : Daniel Oranova S., S.Kom., M.Sc., P.D.Eng. Ahmad Saikhu, S.Si., M.T. Juli 2013 Tugas Akhir - KI

2 KERANGKA PRESENTASI Pendahuluan Tinjauan Pustaka Analisis dan Desain Implementasi Juli 2013 Tugas Akhir - KI

3 KERANGKA PRESENTASI Pendahuluan Tinjauan Pustaka Analisis dan Desain Implementasi Juli 2013 Tugas Akhir - KI

4 LATAR BELAKANG(1) Untuk lulus program Sarjana harus menghasilkan makalah yang terbit pada jurnal ilmiah. (Surat Edaran Dirjen DIKTI No 152/E/T/2012 Tanggal 27 Januari 2012). Juli 2013 Tugas Akhir - KI

5 LATAR BELAKANG(2) ITS memfasilitasi mahasiswanya untuk mempublikasikan sebuah karya ilmiah dengan membuat situs POMITS Open Journal System sebuah sistem manajemen konten berbasis web yang khusus dibuat untuk menangani keseluruhan proses manajemen publikasi ilmiah dari proses call for paper, peer review, hingga penerbitan dalam bentuk daring. Juli 2013 Tugas Akhir - KI

6 OPEN JOURNAL SYSTEM 6

7 MASALAH(1) membuat Paper Tugas Akhir submit 7

8 MASALAH(2) 8

9 MASALAH(2) section A Jurnal section B section C section D Juli 2013 Tugas Akhir - KI

10 SOLUSI Open Journal System OJS Plugins Generic Plugins 1. Judul 2. Abstraksi 3. Kata Kunci Recommended Section Juli 2013 Tugas Akhir - KI

11 KERANGKA PRESENTASI Pendahuluan Tinjauan POMITS Pustaka Open Analisis Journal dan System Desain PHP Implementasi Data Access Object Juli 2013 Tugas Akhir - KI

12 KERANGKA PRESENTASI Tinjauan Pustaka POMITS Open Journal System PHP Data Access Object Juli 2013 Tugas Akhir - KI

13 KERANGKA PRESENTASI Tinjauan Pustaka Sistem Temu Kembali Informasi: STKI 1. Prapemrosesan Tokenisasi Stopwords Stemming (Tala) K-Nearest Neighbor Penghitungan Performa 2. Model Ruang Vektor 3. Teknik Pembobotan Tf-Idf 4. Cosine Similarity Juli 2013 Tugas Akhir - KI

14 K-Nearest Neighbor 1. Tujuan dari algoritma adalah menentukan kelas kelas atau kategori dari suatu objek berdasarkan pola dari k objek terdekatnya. 2. Dibutuhkan tiga parameter yaitu himpunan data, jarak antar data dan nilai k. Juli 2013 Tugas Akhir - KI

15 Penghitungan Performa Akurasi adalah jumlah semua rekomendasi yang benar dibagi jumlah percobaan. Presisi merupakan penghitungan akurasi dari kelas tertentu yang telah diprediksi sebelumnya. Recall merupakan penghitungan kemampuan dari sebuah metode prediksi untuk menentukan kelas dari sebuah himpunan data dengan tepat. F 1 Measure: Menggabungkan presisi dan recall dengan menggunakan beban yang sama Juli 2013 Tugas Akhir - KI

16 KERANGKA PRESENTASI Pendahuluan Tinjauan Cara KerjaPustaka Umum Sistem Arsitektur Analisis Perangkat dan Desain Lunak Spesifikasi Implementasi Kebutuhan Diagram Kasus Penggunaan Juli 2013 Tugas Akhir - KI

17 Cara Kerja Umum Sistem 17

18 Arsitektur Perangkat Lunak System Akses situs jurnal Pengaturan modul rekomendasi Prapemrosesan Pengguna (Journal Manager) OJS DAO Rekomendasi Kategori Plugin (Modul Rekomendasi Section) Register OJS Server Pembobotan Tf-Idf Pengguna (Author) Meminta rekomendasi Menampilkan rekomendasi Metadata Artikel Dokumen Baru dihitung nilai kesamaan cosine dengan dokumen training Menentukan k dokumen terdekat Hasil disimpan ke dalam database PLUGIN DAO 18

19 Spesifikasi Kebutuhan 1. Pembobotan per kata dari artikel yang telah dipublikasikan oleh situs POMITS (pembuatan model klasifikasi). 2. Penyimpanan hasil pembobotan kata ke dalam basis data. 3. Pembaruan hasil pembobotan terakhir. 4. Penentuan kategori yang nilai kesamaannya merupakan nilai tertinggi dari kategori-kategori yang ada. 19

20 Diagram Kasus Penggunaan System mempersiapkan modul <<extend>> membuat model klasifikasi Journal Manager memperbaharui model klasifikasi <<include>> melakukan penyerahan artikel <<extend>> Author meminta rekomendasi kategori 20

21 KERANGKA PRESENTASI Pendahuluan Analisis dan Desain Cara Rangkaian Kerja Umum Proses Sistem Arsitektur Diagram Kelas Perangkat Lunak Spesifikasi Kebutuhan Diagram Kasus Penggunaan Juli 2013 Tugas Akhir - KI

22 Rangkaian Proses(1) Proses Membuat Model Klasifikasi Proses ini bertujuan untuk mendapatkan metadata dari semua artikel yang telah dipublikasikan pada sebuah jurnal. Metadata yang diambil adalah judul, abstrak dan kata kunci yang berupa tipe data string/teks. masukan: 1. jurnal keluaran: 2. judul, abstrak dan keyword dari banyak artikel 1 metadata dokumen/artikel yang telah dipublikasi STKI Tf-Idf 22

23 Rangkaian Proses(2) Proses Membuat Model Klasifikasi Proses ini terdiri dari beberapa proses, yaitu: 1. Tokenisasi, berguna untuk memecah sebuah teks menjadi token-token dengan menghilangkan tanda baca, spasi dan simbol. 2. Stop word, berguna untuk menghilangkan kata umum yang sering muncul sehingga kata tersebut bernilai kecil. 3. Stemming, berguna untuk mendapatkan kata dasar dari kata yang berimbuhan. 4. Vector Space Model (VSM), untuk merepresentasikan token beserta frekuensinya pada sebuah dokumen 2 metadata dokumen/artikel yang telah dipublikasi STKI Tf-Idf 23

24 Rangkaian Proses(3) Proses Membuat Model Klasifikasi Proses ini akan memberikan bobot nilai pada kata-kata dengan rumus sebagai berikut: metadata dokumen/artikel yang telah dipublikasi tfidf t,d = log 1 + tf t,d idf t dengan STKI idf t = log N df t 3 Tf-Idf 24

25 Diagram Kelas Diagram Kelas Membuat Model Klasifikasi <<boundary>> PengelolaanPluginFrom <<entity>> Plugin * 1 <<entity>> 1 1..* Artikel <<entity>> Kata 1..* 1 <<control>> InstalasiHandler <<control>> pluginhandler <<boundary>> InstalasiPluginForm 1 <<entity>> Journal Manager 25

26 Rangkaian Proses(1) Proses Meminta Rekomendasi Kategori Proses yang sama sampai mendapatkan nilai tf-idf per kata 1 metadata dokumen/artikel permintaan STKI Tf-Idf Cosine Similarity K-Nearest Neighbor 26

27 Rangkaian Proses(2) Proses Meminta Rekomendasi Kategori Proses ini bertujuan untuk menghitung jarak antara dokumen permintaan (query) dengan dokumen latih dengan membandingkan masing-masing vektor tf-idf-nya. metadata dokumen/artikel permintaan STKI Tf-Idf 2 Cosine Similarity K-Nearest Neighbor 27

28 Rangkaian Proses(3) Proses Meminta Rekomendasi Kategori Setelah mendapatkan masing-masing jarak dari dokumen permintaan dengan semua dokumen latih, maka dengan mengambil dokumen yang memiliki jarak terdekat (cosine similarity terbesar) sejumlah k, kemudian didapatkanlah section dengan jumlah cosine similarity terbesar untuk dijadikan sebuah rekomendasi. metadata dokumen/artikel permintaan STKI Tf-Idf Cosine Similarity 3 K-Nearest Neighbor 28

29 Diagram Kelas Diagram Kelas Meminta Rekomendasi Kategori <<boundary>> RecommendationForm 1 <<entity>> Artikel 1 0..* 0..* 1 1 <<control>> 1 1 RecommendationHandler 1 1 <<boundary>> AuthorForm 1 1..* <<entity>> Kata 0..* 1 1 <<entiry>> Author <<control>> AuthorHandler 29

30 KERANGKA PRESENTASI Pendahuluan Tinjauan Implementasi Pustaka Data Implementasi Analisis dan Antarmuka Desain Implementasi Juli 2013 Tugas Akhir - KI

31 Implementasi Data Tabel word_articles Tabel word_articles_temp 31

32 Implementasi Antarmuka Modul rekomendasi kategori terdapat pada daftar Generic Plugins 32

33 Implementasi Antarmuka Antarmuka meminta rekomendasi kategori 33

34 KERANGKA PRESENTASI Uji Coba Kesimpulan Saran Juli 2013 Tugas Akhir - KI

35 KERANGKA PRESENTASI Uji Coba Kesimpulan Saran Juli 2013 Tugas Akhir - KI

36 Uji Coba Fungsionalitas o Tabel basis data modul belum terinstal atau tersedia. 36

37 Uji Coba Fungsionalitas o Tabel basis data modul telah terinstal atau tersedia. 37

38 Uji Coba(2) Fungsionalitas o Instalasi Modul Rekomendasi 38

39 Uji Coba Fungsionalitas o Tautan rekomendasi pada halaman Author. 39

40 Uji Coba(3) Fungsionalitas o Uji coba meminta rekomendasi kategori 40

41 Uji Coba(4) Performa klasifikasi K-Nearest Neighbor Skenario Uji Coba: 1. Pengujian menggunakan data dari 2 issue dari Jurnal Teknis ITS (Vol. 1, No. 1, 2012 dan Vol. 2, No.1, 2013) 2. Untuk mendapatkan data latih dan data uji, dilakukan k-fold cross validation pada dataset yang digunakan 3. Uji coba dilakukan dengan mengubah nilai k dengan batasan jumlah term pada dokumen query adalah 10 term dengan nilai tf-idf terbesar 41

42 Uji Coba(5) Performa klasifikasi K-Nearest Neighbor Hasil Uji Coba: k Akurasi Presisi Recall F

43 Uji Coba(6) Performa klasifikasi K-Nearest Neighbor Analisa Hasil Uji Coba Nilai (%) k Akurasi Presisi Recall F-Measure Dari hasil uji coba dapat disimpulkan bahwa KNN mendapatkan nilai optimal dengan nilai k = 10 dengan nilai akurasi sebesar 71,84% 43

44 KERANGKA PRESENTASI Uji Coba Kesimpulan Saran Juli 2013 Tugas Akhir - KI

45 KERANGKA PRESENTASI Uji Coba Kesimpulan Saran Juli 2013 Tugas Akhir - KI

46 Kesimpulan 1. OJS merupakan suatu sistem yang tersusun secara rapi sehingga untuk melakukan sebuah pengembangan sangat terbantu. 2. Pada uji coba yang dilakukan, modul rekomendasi kategori menghasilkan performa terbaik dengan parameter sebagai berikut, nilai k = 10 dan batasan jumlah term pada dokumen permintaan adalah 10 term dengan nilai tf-idf terbesar. Performa yang dihasilkan adalah akurasi sebesar 71.84%, presisi sebesar 65.97%, recall sebesar 70.38% dan F 1 sebesar Tingkat presisi, recall dan F 1 yang dicapai pada modul rekomendasi kategori berbeda kurang lebih 10% dengan tingkat presisi. 46

47 Saran 1. Rekomendasi kategori tidak hanya mengacu terhadap metadata dari artikel-artikel yang dipublikasi. Pengembang dapat menambahkan Author sebagai acuan untuk merekomendasi sebuah artikel. 2. Penambahan sebuah fitur penyerahan artikel ketika Author memperoleh rekomendasi kategori dari artikel yang diminta. Author tidak harus memasukkan data artikel dari awal melainkan menggunakan data yang sudah dimasukkan ketika meminta rekomendasi kategori. 3. Penambahan pilihan bahasa sehingga rekomendasi kategori tidak terbatas pada bahasa tertentu saja. 47

48 48

49 KERANGKA PRESENTASI Pendahuluan Tinjauan Latar Belakang Pustaka Rumusan Analisis Masalah dan Desain BatasanImplementasi Masalah Tujuan Juli 2013 Tugas Akhir - KI

50 LATAR BELAKANG 1. Kewajiban publikasi ilmiah bagi mahasiswa sebagai syarat kelulusan. 2. Salah satu cara publikasi ilmiah adalah melalui situs e-jurnal. 3. POMITS merupakan salah situs e-jurnal yang dikhususkan untuk mahasiswa ITS. 4. Pada POMITS, penulis dapat memilih section untuk artikel yang hendak didaftarkan ke POMITS tetapi pilihan ini seringkali tidak sesuai dengan deskripsi dari section terkait. Juli 2013 Tugas Akhir - KI

51 SOLUSI Dibuatlah sebuah modul OJS untuk merekomendasi sebuah kategori apa yang sesuai dengan artikel yang hendak didaftarkan penulis. Juli 2013 Tugas Akhir - KI

52 RUMUSAN MASALAH 1. Bagaimana membuat sebuah modul rekomendasi kategori pada Open Journal System (OJS) berdasarkan metadata dari artikel ilmiah? 2. Bagaimana proses modul pada OJS merekomendasikan kategori dari sebuah artikel ilmiah? 52

53 BATASAN MASALAH Situs jurnal yang digunakan adalah situs POMITS yang menerapkan OJS sebagai sistemnya. 53

54 TUJUAN Modul rekomendasi kategori pada OJS ini diharapkan akan mempermudah penulis dalam menentukan kategori untuk sebuah artikel ilmiah yang hendak didaftarkan ke dalam situs POMITS. 54

55 KERANGKA PRESENTASI Pendahuluan Tinjauan Open Journal Pustaka System POMITS Analisis dan Desain STKI Implementasi K-Nearest Neighbor Juli 2013 Tugas Akhir - KI

56 OPEN JOURNAL SYSTEM Open Journal Systems atau OJS adalah sebuah sistem manajemen konten berbasis web yang khusus dibuat untuk menangani keseluruhan proses manajemen publikasi ilmiah dari proses call for paper, peer review, hingga penerbitan dalam bentuk daring. 56

57 POMITS Publikasi Online Mahasiswa Institut Teknologi Sepuluh Nopember (POMITS) merupakan media publikasi daring yang disediakan Institut Teknologi Sepuluh Nopember (ITS) Surabaya yang diperuntukan untuk publikasi karya ilmiah yang diharapan mendorong kebudayaan ilmiah yang baik di kalangan civitas akademika. 57

58 POMITS Halaman situs: ejurnal.its.ac.id 58

59 STKI Sistem Temu Kembali Informasi: 1. Prapemrosesan Tokenisasi Stopwords Stemming (Tala) 2. Model Ruang Vektor 3. Teknik Pembobotan Tf-Idf 4. Cosine Similarity 59

60 K-NEAREST NEIGHBOR 1. Tujuan dari algoritma adalah menentukan kelas kelas atau kategori dari suatu objek berdasarkan pola dari k objek terdekatnya. 2. Dibutuhkan tiga parameter yaitu himpunan data, jarak antar data dan nilai k. 60

61 KERANGKA PRESENTASI Pendahuluan Open Journal System POMITS STKI K-Nearest Neighbor Juli 2013 Tugas Akhir - KI

62 Penghitungan Performa Akurasi = Jumlah semua rekomendasi yang benar dibagi jumlah percobaan rekomendasi A B C hasil A tp A e AB e AC B e BA tp B e BC C e CA e CB tp C tp A + tp B + tp C Akurasi = tp A + e AB + e AC + tp B + e BA + e BC + tp C + e CA + e CB 62

63 Penghitungan Performa Presisi merupakan penghitungan akurasi dari kelas tertentu yang telah diprediksi sebelumnya. Presisi didefinisikan sebagai persamaan berikut: Presisi = tp tp + fp Dimana: tp merupakan prediksi true positive dari kelas tertentu fp merupakan prediksi false positive dari kelas tertentu rekomendasi A B C hasil A tp A e AB e AC B e BA tp B e BC Presisi A = tp A tp A + e BA + e CA C e CA e CB tp C 63

64 Penghitungan Performa Recall merupakan penghitungan kemampuan dari sebuah metode prediksi untuk menentukan kelas dari sebuah himpunan data dengan tepat. Recall didefinisikan sebagai persamaan berikut: tp Recall = tp + fn Dimana: tp merupakan prediksi true positive dari kelas tertentu fn merupakan prediksi false negative dari kelas tertentu tp + fn merupakan jumlah percobaan yang dilakukan pada kelas tertentu rekomendasi A B C hasil A tp A e AB e AC B e BA tp B e BC Recall A = tp A tp A + e AB + e AC C e CA e CB tp C 64

65 KERANGKA PRESENTASI Rangkaian Proses Prapemrosesan STKI Model Ruang Vektor 1 2 Tokenisasi Stopword Penghitungan bobot Tf-Idf 3 Stemming K-Nearest Neighbor Juli 2013 Tugas Akhir - KI

66 1. Tokenisasi 1 Tokenisasi Stopword 1. Masukan berupa teks dari abstrak, judul serta kata kunci dari sebuah artikel 2. Tokenisasi berguna untuk memecah sebuah teks menjadi token-token yang nantinya akan diproses kembali untuk mendapatkan token-token yang mempunyai nilai tinggi (kata-kata yang bermakna) Stemming 66

67 2. Stopword 2 Tokenisasi Stopword Bertujuan untuk menghilangkan kata umum dari sebuah teks Dengan cara membandingkan sebuah kata (hasil dari proses Tokenisasi) dengan daftar kata umum Bahasa Indonesia Stemming 67

68 3. Stemming Tokenisasi Bertujuan untuk mendapatkan kata dasar dari sebuah teks Menggunakan stemmer Tala Stopword 3 Stemming 68

69 KERANGKA PRESENTASI Rangkaian Proses Prapemrosesan STKI Model Ruang Vektor Penghitungan bobot Tf-Idf K-Nearest Neighbor Juli 2013 Tugas Akhir - KI