Untuk memberikan nilai pada masing dokumen berdasarkan nilai dari perhitungan menggunakan persamaan 3.1 akan ditampilkan pada tabel 3.12.
Tabel 3.12 Penambahan nilai dari penerapan bayesian framework for user interest
Dokumen
news recommendation
Hasil
D0 2x0.5
1.0576 + 1 = 2.0576 D1
2x0.5 2.0576 + 1 = 3.0576
D2 2x0.5
2x0.5 2.0576 + 2 = 4.0576
D3 0.5
0.00 + 0.5 = 0.5 Tabel 3.12 menujukkan hasil setelah menggunakan CSR SpMV, proximity
processing dan bayesian framework for user interest. Untuk mendapatkan hasil
rekomendasi, setiap dokumen akan diurutkan secara descending dari besar ke terkecil berdasarkan hasil yang didapatkan masing
– masing dokumen. Hasil pengurutan secara descending ditunjukkan pada tabel 3.13.
Tabel 3.13 Hasil rekomendasi
Dokumen Hasil
Isi
D2 4.0576
news system recommendation news system recommendation
D1 3.0576
system recommendation system recommendation D0
2.0576 system system recommendation recommendation
D3 0.5
news retrieval
3.6. Perancangan General Architecture
General archichecture yang digunakan untuk merepresentasikan komponen
– komponen pada sistem Pressman, 2012, akan menggambarkan komponen penyusun
pada sistem rekomendasi yang akan dikembangkan dalam penelitian penulis. Sistem rekomendasi yang akan dikembangkan untuk rekomendasi pada saat akses 1 berita.
Memberikan rekomendasi dengan cara mengambil judul berita yang sedang diakses dan menjadikannya query untuk mencari relevansi menggunakan CSR SpMV dan
proxomity processing kemudian mengambil riwayat penjelajahan sebelumnya untuk
memberikan rekomendasi yang lebih personal dengan bayesian framework for user interest
jika ada. Untuk lebih jelasnya ditunjukkan pada gambar 3.9.
Universitas sumatera utara
Pengguna mengakses
url berita Mencatat
didatabase pengguna
pernah mengakses
berita tersebut berita yang
diakses dijadikan
query Sistem
menggunakan CSR Sparse
Matrix Vector Multiplication
Daftar Rekomendasi
berita yang diurutkan nilai dari
tertinggi ke terendah
hanya 5 tertinggi yang diambil
Menggunakan Proximity
Processing Menggunakan
Bayesian Framework
for User Interest
Gambar 3.9 Diagram arsitektur
3.7. Perancangan Use Case
Use case yang bermanfaat untuk mendeskripsikan ringkasan interaksi antara
pengguna aktor dan sistem Eriksson, et al. 2000 yang akan penulis jelaskan secara ringkas tentang sistem yang akan dikembangkan.
3.7.1. Definisi Aktor Untuk mendefinisikan aktor yang akan menggunakan sistem nantinya serta peran dari
masing – masing aktor pada bagian – bagian sistem.
Tabel 3.14
Mendeskripsikan secara singkat aktor dalam sistem
No Aktor
Deskripsi
1 Admin
Orang yang memasukkan berita – berita baru
dan mengatur pengaturan rekomendasi berita personal
2 Pembaca berita
Orang yang mengakses berita – berita dan
yang menjadi target memberikan rekomendasi
3.7.2. Definisi Use Case Mendefinisikan setiap use case yang akan digunakan dan menjadi pendukung sistem
rekomendasi.
Tabel 3.15 Mendeskripsikan setiap use case
No Use Case
Deskripsi
1 Konversi berita
Menkonversi berita menjadi total frekuensi setiap term dan dokumen
2 Stemming
Menggunakan algoritma porter untuk mencari kata dasar
3 Stopword removal
Menghapus kata – kata yang tidak memberikan
arti 4
Ambil kata dan angka Mengambil hanya kata dan angka dari judul
berita
Universitas sumatera utara
Tabel 3.15
Mendeskripsikan setiap use case lanjutan
No Use Case
Deskripsi
5 Catat akses berita
Mencatat setiap berita yang diakses oleh pembaca berita
6 Rekomendasi Akses
berita Melakukan proses rekomendasi dengan
mempertimbangkan apa yang pernah diakses dan apa yang sedang diakses oleh pembaca berita
7 Manajemen Stopword
Untuk menambah jumlah kata yang tidak penting, supaya hasil rekomendasi lebih bagus
3.7.3. Skenario Use Case Skenario use case yang digunakan untuk memberikan deskripsi dalam bentuk teks
tentang apa yang dikerjakan oleh aktor dan rekasi yang diberikan oleh sistem. Ada 15 use case
yang akan dijelaskan dalam bagian skenario use case, yaitu : 1. Konversi berita
Untuk melakukan konversi berita ada 7 tahapan dari skenario normal yang akan terjadi, 1 tahapan dari aktor dan 6 tahapan dari reaksi sistem. Untuk skenario
alternatif tidak ada.
Tabel 3.16 Skenario konversi berita
Aksi Aktor Reaksi Sistem
Skenario Normal 1. Menerima judul
2. Memilah perkata 3. Melakukan stopword removal
4. Setiap suku kata dilakukan stemming 5. Melakukan stopword removal sekali lagi
6. Membentuk frekuensi term 7. Menyimpan hasil ke database
2. Stemming Skenario stemming tidak dibahas sampai bagaimana melakukan stemming karena
proses stemming sudah terlihat pada gambar 2.5. Ada 3 tahapan untuk skenario stemming
dari skenario normal, 1 dari aktor dan 2 dari reaksi sistem sedangkan untuk skenario alternatif tidak ada. Skenario stemming ditunjukkan pada tabel
3.17.
Universitas sumatera utara
Tabel 3.17 Skenario stemming
Aksi Aktor Reaksi Sistem
Skenario Normal 1. Mengirim kalimat
2. Memotong kalimat berdasarkan spasi 3. Mencari kata dasar tiap suku kata
3. Stopword removal Skenario stopword removal yang berguna untuk menhapus kata
– kata yang tidak memberikan arti, ada 3 tahapan dari skenario normal 1 dari aksi aktor dari 2 dari
reaksi sistem. Untuk Skenario alternatif tidak ada.
Tabel 3.18 Skenario stopword removal
Aksi Aktor Reaksi Sistem
Skenario Normal 1. Mengirim kalimat
2. Mengambil semua daftar stopword dari database
3. Mengecek untuk setiap suku kata yang ada dalam kalimat, apakah ada di dalam
daftar stopword, jika ada maka dihapus
4. Ambil kata dan angka Skenario pengambilan kata dan angka menggunakan regular expression untuk
mendapatkan huruf dan angka saja. Ada 2 tahapan dari skenario ambil kata dan angka yang berasalah dari skenario normal, sedangkan dari skenario alternatif
tidak ada.
Tabel 3.19
Skenario ambil kata dan angka
Aksi Aktor Reaksi Sistem
Skenario Normal 1. Mengirim Kalimat
2. Menggunakan Reguler Expression a-z A-Z 0-9 untuk mengambil hanya huruf
dan angka
5. Catat akses berita Skenario catat akses berita yang berguna untuk melakukan pencatatan untuk
setiap kunjungan berita yang dilakukan oleh pengguna anonim. Ada 3 tahapan
Universitas sumatera utara
yang berasal dari skenario normal, 1 dari aksi aktor dan 2 dari reaksi sistem. Sedangkan untuk skenario alternatif tidak ada.
Tabel 3.20 Skenario catat akses berita
Aksi Aktor Reaksi Sistem
Skenario Normal 1. Membuka url berita diakses
2. Mengambil identitas berita diakses 3. Mencatat identitas berita ke database
6. Rekomendasi akses berita Skenario rekomendasi akses berita yang berguna untuk memberikan rekomendasi
dengan cara mengambil judul berita yang sedang diakses dijadikan query dan jika ada berita yang pernah diakses sebelumnya dijadikan pertimbangan pada
perhitungan bayesian framework for user interest. Ada 8 tahapan dari skenario normal, 1 dari aktor dari 7 dari reaksi sistem. Sedangkan untuk skenario alternatif
tidak ada.
Tabel 3.21 Skenario rekomendasi akses berita
Aksi Aktor Reaksi Sistem
Skenario Normal 1. Menerima url berita diakses
2. Mengambil semua berita yang di post terakhir tergantung dengan pengaturan
batas berita 3. Menggunakan CSR SpMV
menjadikan query judul dari berita yang diakses
4. Mengurutkan secara desending untuk nilai yang didapatkan
5. Menggunakan proximity processing untuk memberikan nilai yang lebih
tinggi terhadap dokumen yang memiliki kecocokan
6. Menggunakan bayesian framework for user interest
untuk mencari tahu berita yang disukai oleh user dan
memberikan nilai untuk hasil tersebut 7. Mengurutkan secara descending nilai
yang dihasilkan dari ketiga algoritma 8. Menampilkan judul berita dari 5
tertinggi untuk direkomendasikan
Universitas sumatera utara
3.7.4. Diagram Use Case Pada tabel 3.14 telah penulis paparkan tentang tipe aktor. Dibagian ini penulis
paparkan ulang secara lebih detail secara teknis. Hanya ada 1 jenis aktor : 1. Pengguna Anonim
Pengguna anonim yang merupakan pembaca berita, mengakses halaman berita lalu sistem rekomendasi memberikan rekomendasi ke pembaca berita dengan
memasukkan tiga proses di dalamnya yaitu CSR SpMV, proximity processing dan bayesian framework for user interest.
Ketiga proses tersebut akan memberikan nilainya masing
– masing terhadap judul berita yang akan direkeomendasikan, 5 tertinggi akan direkomendasikan kepada pembaca berita.
Pada gambar 3.2 ditampilkan secara grafik dalam bentuk use case untuk mendeskripsikan gambaran secara teknis.
Pengguna Anonim rekomendasi berita
catat berita akses
CSR Sparse Matrix Vector Multiplication
Proximity Processing
Bayesian framework for user interest
include include
include include
Gambar 3.10 Diagram use case
1.8 Diagram Kelas
