49
5 BAB 5
PENUTUP
5.1 Kesimpulan
Pembangunan sistem ini menggunakan algoritma vector space model. Terdapat 1000 lahan yang digunakan sebagai data sampeldalam
sistem. Dari proses implementasi kesimpulan yang didapat adalah : 1.
Pedagang mendapatkan informasi mengenai petani mana saja yang memiliki profil yang sama dengannya. Petani
mendapatkan informasi mengenai pedagang mana saja yang memiliki profil yang sama dengannya.
2. Pengujian presisi dilakukan dengan membandingkan
kelompok tani yang relevan bagi pedagang, yaitu kelompok tani yang dipilih oleh pedagang dengan kelompok tani hasil
rekomendasi sistem. 3.
Berdasarkan pengujian terhadap 10 profil pedagang dengan 15 rekomendasi kelompok tani teratas, didapatkan hasil
presisi rata-rata sebesar 78.40 . 4.
Berdasarkan hasil evaluasi sistem ini belum dapat dikatakan baik karena pengujian yang dilakukan hanya
menggunakan precision saja.
5.2 Saran
Dari sistem yang dibuat masih diperlukan beberapa saran antara lain: 1
Bagi pengguna Aplikasi MyAgresa
melakukan perhitungan komputasi pada web server. Apabila terdapat banyak data lahan maka aplikasi ini akan berjalan
lambat. Agar hasil komputasi dapat berjalan dengan baik penulis menyarankan pengguna menggunakan handphone yang memiliki RAM
besar dan prosesor yang cepat.
2 Bagi peneliti selanjutnya
Sistem ini masih banyak kekurangan. Oleh karena itu, sebaiknya bagi peneliti selanjutnya dapat memperbaiki kualitas dan kinerja sistem,
diantaranya : a.
Aplikasi tidak hanya memberikan rekomendasi tanaman padi, tetapi juga tanaman pangan lainnya.
b. Aplikasi
dapat memberikan
rekomendasi dengan
memperhitungkan tanggal panennya. c.
Aplikasi tidak hanya memberikan informasi mengenai lahan pertanian yang berlokasi di DIY saja, tetapi mencakup lahan di luar
DIY. d.
Aplikasi dapat berjalan di berbagai operating system. e.
Sistem akan lebih baik apabila pengujian sistem dilakukan tidak hanya menggunakan precision tetapi juga menggunakan recall.
51
DAFTAR PUSTAKA
Billsus, D. Pazzani, M. J. “A Personal News Agent that Talks, Learns and
Explains”, In Autonomous Agents 98, Minneapolis MN USA.
Burke, R. 2007. Hybrid web recommender systems. In The Adaptive Web, pages 377
–408. Springer Berlin Heidelberg.
Dai, H., Mobasher, B. 2001. Using ontologies to discover domain-level web usage profiles. Proc. of the Second Semantic Web Mining Workshop at
PKDD 2001, Helsinki, Finland. Herlocker, J.L., Konstan, J.A., Terveen, L.G. Riedl, J.T. Evaluating
collaborative filtering recommender systems. ACM Transactions on Information Systems, 221, 5-53.
Hermawan, Stephanus. 2011. Mudah Membuat Aplikasi Android. Yogyakarta : Andi Offset
Knappe, R. 2005. Measures of Semantic Similarity and Relatedness for Use in Ontology-based Information Retrieval. Ph.D. Thesis, Roskilde University,
Department of Communication, Journalism and Computer Science. Lee, Dik L. 1997. Document Rangking and the Vector-Space Model. Hongkong.
Meier, Reto. 2009. Professional Android Application Development. Indianapolis, Indiana Canada United States of America : Wiley Publishing, Inc.
Meteren, Robin dan Someren, Maarten. Using Content-Based Filtering for Recommendation. Amsterdam.
Resnick, Paul dan Varian, Hal R. 1997. Recommender systems. Communications of the ACM, Vol. 40, No. 3, 56-58.
Ricci, Francesco. 2010. Mobile Recommender Systems. Italy. Shoval, Peretz., Meidel, Veronica., dan Shapira, Brancha. 2008. An Ontology-
Content-Based Filtering Method . International Journal “Information
Theories Applications”, Vol.15, 303-313.
LAMPIRAN 1
NARASI USE CASE
1.1. USECASE LOGIN ................................................................................55
1.2. USECASE KELOLA DATA ................................................................56
1.3. USECASE REGISTRASI ......................................................................57
1.4. USECASE LIHAT REKOMENDASI ..................................................58
Kategori