Implementasi Metode Collaborative Tagging Pada Sistem Rekomendasi Artikel Publikasi Ilmiah

(1)

IMPLEMENTASI METODE

COLLABORATIVE TAGGING

PADA

SISTEM REKOMENDASI ARTIKEL PUBLIKASI ILMIAH

SKRIPSI

HASMI FARHANDANI ANSARI

091402061

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2014

(2)

IMPLEMENTASI METODE COLLABORATIVE TAGGING PADA SISTEM REKOMENDASI ARTIKEL PUBLIKASI ILMIAH

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi

HASMI FARHANDANI ANSARI 091402061

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN 2014

(3)

PERSETUJUAN

Judul : IMPLEMENTASI METODE COLLABORATIVE

TAGGING PADA SISTEM REKOMENDASI ARTIKEL PUBLIKASI ILMIAH

Kategori : SKRIPSI

Nama : HASMI FARHANDANI ANSARI

Nomor Induk Mahasiswa : 091042061

Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI

Fakultas : ILMU KOMPUTER DAN TEKNOLOGI

INFORMASI (FASILKOM-TI) UNIVERSITAS SUMATERA UTARA

Diluluskan di Medan, Juni 2014 Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Sarah Purnamawati, ST,M.Sc M.Fadly Syahputra, B.Sc., M.Sc.IT NIP 19830226 201012 2 003 NIP 19830129 200912 1 003

Diketahui/Disetujui oleh

Program Studi S1 Teknologi Informasi Ketua,

M.Anggia Muchtar, ST,MM.IT NIP 19800110 200801 1 010

(4)

PERNYATAAN

IMPLEMENTASI METODE COLLABORATIVE TAGGING PADA SISTEM REKOMENDASI ARTIKEL PUBLIKASI ILMIAH

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan, Juni 2014

Hasmi Farhandani Ansari 0910402061

(5)

UCAPAN TERIMA KASIH

Puji dan syukur penulis sampaikan kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh ijazah Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara. Untuk itu penulis mengucapkan terima kasih kepada:

1. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer danTeknologi Informasi Universitas Sumatera Utara, semua dosen serta pegawai di Program Studi S1 Teknologi Informasi.

2. Ketua dan Sekretaris Program Studi S1 Teknologi Informasi, M. Anggia Muchtar, ST, MM.IT dan M. Fadly Syahputra, B.Sc, M.Sc.IT.

3. Seluruh dosen Departemen Teknologi Informasi dan Ilmu Komputer USU yang telah memberikan ilmu, dukungan, arahan dan bantuannya selama proses perkuliahan.

4. Kepada Bapak M. Fadly Syahputra, B.Sc, M.Sc.IT selaku pembimbing satu dan Ibu Sarah Purnamawati, ST,M.Sc selaku pembimbing dua yang telah banyak meluangkan waktu dan pikirannya, serta memberikan kritik dan saran kepada penulis. Ucapan terima kasih juga ditujukan kepada Bapak Dr.Syahril Effendi, S.Si, M.IT dan Bapak Baihaqi Siregar, S.Si, M.T yang telah bersedia menjadi dosen pembanding.

5. Skripsi ini penulis persembahkan untuk kedua orang tua dan keluarga penulis yang telah memberikan dukungan dan motivasi, ayahanda H.Al-Ansari,Se dan ibunda Hj.Sri Azneini, S.Pd yang selalu sabar dalam mendidik dan membesarkan penulis. Untuk adik penulis Hanny Natasya Ansari dan Hadid Fachriansyah Ansari yang selalu memberikan dorongan dan dukungan kepada penulis .

6. Penulis juga mengucapkan terima kasih kepada teman-teman angkatan 2009, Terutama buat wildan afifi yang telah banyak memberikan support dan dukungan kepada penulis, alvin,gilbert,najam,deny,darma warista, senior, dan junior yang telah memberikan dukungan, serta teman-teman mahasiswa yang tidak dapat penulis sebutkan satu-persatu.

(6)

7. Serta kepada pihak lain yang telah mendukung serta memberikan bantuan, saran, dan kritik kepada penulis selama pengerjaan skripsi ini.

Semoga segala kebaikan, bantuan dan dukungannya dibalas Allah SWT dengan nikmat yang berlimpah dan tugas akhir ini dapat bermanfaat bagi semua pihak yang memerlukannya.

(7)

ABSTRAK

Berkembangnya World Wide Web (WWW) dan banyaknya orang yang menulis informasi pada WWW membuat pengguna dapat mengakses informasi sangat banyak dan juga informasi yang tidak diinginkan oleh pengguna. Salah satunya adalah artikel publikasi ilmiah. Pengguna dihadapkan dengan banyaknya pilihan artikel publikasi ilmiah yang ada, sehingga pengguna kesulitan dalam menemukan artikel publikasi ilmiah yang sesuai dengan minat mereka. Oleh sebab itu dibutuhkan sebuah sistem rekomendasi yang dapat memberikan rekomendasi artikel publikasi yang sesuai dengan minat pengguna.Salah satu metode sistem rekomendasi yang sedang berkembang adalah collaborative tagging. Collaborative tagging menjelaskan proses yang memungkinkan banyak pengguna untuk memberikan keterangan sebuah item

dengan dengan sebuah kata kunci contohnya tagging.Salah satu metode yang digunakan pada collaborative tagging adalah dengan menggunakan pemodelan vektor(Vector Space Model) dan untuk memberikan rekomendasi dengan menggunakan cosine similarity. Pada penelitian ini penulis menggunakan

collaborative tagging dengan pemodelan vektor (Vector Space Model). Hasil

penelitian ini adalah penggunaan collaborative tagging dapat memberikan rekomendasi kepada pengguna sesuai dengan minat mereka.

Kata kunci : World Wide Web, collaborative tagging, vector space model, cosine similarity,artikel publikasi ilmiah

(8)

The Implementation of Collaborative Tagging on Scientific Publication Recommender System

ABSTRACT

The development of the World Wide Web ( WWW ) and the number of people who write information on the WWW allow users to access a very large information and also the information that is not desired by the user. One of them is the article of scientific publications. Users are faced with many choices of available scientific publication articles, so it is difficult for users to find articles of scientific publications that match their interests. Therefore requires a recommendation system that can provide recommendations in accordance with users interests. One of the methods that is being rapidly developed in recommendation system is collaborative tagging . Collaborative tagging describes the process that allows many users to annotate an item with a keyword or tagging. One of the models used in collaborative tagging is vector model ( Vector Space Model ) and to provide recommendations, cosine similarity is used. In this study, the authors use collaborative tagging with vector modeling ( Vector Space Model ) and cosine similiarity . The results of this study is that the use of collaborative tagging can successfully provide recommendations to users that match their interests.

Keyword : World Wide Web, collaborative tagging, vector space model, cosine similarity

(9)

DAFTAR ISI

PERSETUJUAN i

PERNYATAAN ii

UCAPAN TERIMA KASIH iii

ABSTRAK v

DAFTAR ISI vii

DAFTAR TABEL x

DAFTAR GAMBAR xi

BAB I 1

PENDAHULUAN 1

1.1. Latar Belakang 1

1.2. Rumusan Masalah 2

1.3. Batasan Masalah 2

1.4. Tujuan Penelitian 2

1.5. Manfaat Penelitian 2

1.6. Metodologi Penelitian 3

1.7. Sistematika Penulisan 4

BAB 2 6

LANDASAN TEORI 6

2.1. Sistem Rekomendasi 6

2.2. Tagging 7

2.2.1 User-Generated Tags 7

2.2.2 Machine-Generated Tags 7

2.3. Collaborative Tagging 8

2.4. Vector Space Model 8

2.4. Bahasa Pemrograman PHP 14

2.5. Database 14

2.6. Unified Modelling Language (UML) 15

2.8. Penelitian Terdahulu 16

(10)

BAB 3 18

ANALISIS DAN PERANCANGAN 18

3.1. Data Yang Digunakan 18

3.2. Use Case Diagram 18

3.3. Activity Diagrams 20

3.3.1. Activity Diagram Register 20

3.3.2. Activity Diagram Logout 21

3.3.3. Activity Diagram Halaman Utama 22

3.3.4 Activity Diagram Halaman submit artikel 23 3.3.5. Activity Diagram Halaman Rekomendasi 24 3.3.6. Activity Diagram lihat daftar artikel publikasi oleh pengguna 25

3.3.7. Activity Diagram Logout 26

3.4. Flowchart 26

3.4.1. Flowchart Keseluruhan Rekomendasi 27

3.5. Perancangan Sistem 35

3.5.1. Kebutuhan Perangkat Lunak 35

3.5.2. Perancangan Antar Muka Perangkat Lunak 35

3.6. Perancangan Database 43

3.6.1 Perancangan Database 43

3.6.2. Relasi Antar Tabel 47

BAB 4 48

IMPLEMENTASI DAN PENGUJIAN SISTEM 48

4.1. Implementasi Sistem 48

4.2. Implementasi Perancangan Antarmuka 49

4.2.1. Halaman Registrasi 49

4.2.2. Halaman Login 50

4.2.3 Halaman Home 50

4.2.4 Halaman Rekomendasi 51

4.2 5 Halaman Lihat artikel publikasi ilmiah 51

(11)

4.3 Pengujian Sistem 53

4.3.1. Rencana Pengujian Sistem 53

4.3.2. Hasil Pengujian Sistem 54

4.3.3 Persiapan Pengujian Data 56

BAB 5 64

KESIMPULAN DAN SARAN 64

5.1. Kesimpulan 64

5.2. Saran 64

DAFTAR PUSTAKA 65

(12)

DAFTAR TABEL

Tabel 3.1 Data artikel yang telah diberikan tagging oleh pengguna. 10

Tabel 3.2 Raw Data Jurnal. 11

Tabel 3.3 Normalized Vector jurnal 11

Tabel 3.4 Data Tagging user 12

Tabel 3.5 Raw Data User 13

Tabel 3.6 Normalized vector User 13

Tabel 3.7 Dot Product User x Jurnal 14

Tabel 3.2 Normalized Vector Pengguna u1 30

Tabel 3.3 Raw Data Jurnal 31

Tabel 4.1 Rencana Pengujian 53

Tabel 4.2 Hasil Pengujian 54

Tabel 4.2 Hasil Pengujian (Lanjutan) 57

Tabel 4.3 Artikel yang telah disubmit oleh agus 57

Tabel 4.3 Artikel yang telah disubmit oleh agus (Lanjutan) 58

Tabel 4.4 Raw Data Jurnal pada database 56

Tabel 4.4 Raw Data Jurnal pada database (Lanjutan) 56

Tabel 4.4 Raw Data Jurnal pada database (Lanjutan) 60

Tabel 4.5 Perhitungan Normalized Vector for journal 60

Tabel 4.5 Perhitungan Normalized Vector for Journal ( Lanjutan) 61

Tabel 4.6 Raw Data Pengguna Agus 61

Tabel 4.6 Raw Data Pengguna Agus (Lanjutan) 62

Tabel 4.7 Normalized Vector for agus 63

(13)

DAFTAR GAMBAR

Gambar 3.1 Use Case Diagram 19

Gambar 3.2 Activity Diagram Register 20

Gambar 3.3 Activity Diagram Login 21

Gambar 3.4 Activity Diagram Halaman Utama 22

Gambar 3.5Activity Diagram Halaman submit artikel 23 Gambar 3.5 Activity Diagram Halaman Rekomendasi 24 Gambar 3.6 Activity Diagram Lihat Jurnal Yang dibookmark pengguna 25

Gambar 3.7 Activity diagram logout 26

Gambar 3.5 Flowchart Rekomendasi Keseluruhan 27 Gambar 3.7 Flowchart Perhitungan Normalized Vector Pengguna 29 Gambar 3.8 Flowchart Perhitungan Raw Data Jurnal 30 Gambar 3.9 Flowchart Perhitungan Normalized Vector Jurnal 32 Gambar 4.0 Flowchart Dot Product Pengguna dengan Jurnal 34

Gambar 3.12 Form Registrasi 35

Gambar 3.13 Form Login 36

Gambar 3.14 Halaman Utama 37

Gambar 3.15 Halaman All Article 38

Gambar 3.16 Halaman about 39

Gambar 3.17 Submit article 40

Gambar 3.18 Tabel user 43

Gambar 3.19 Tabel Author 43

Gambar 3.20 Tabel jurnal 44

Gambar 3.21 Tabel tagging 45

Gambar 3.22 Tabel user jurnal 45

Gambar 3.23 Tabel user_jurnal_tag 46

Gambar 3.24 Tabel Author_jurnal 46

Gambar 3.25 Relasi Antar Tabel 47

(14)

ABSTRAK

collaborative tagging dengan pemodelan vektor (Vector Space Model). Hasil

penelitian ini adalah penggunaan collaborative tagging dapat memberikan rekomendasi kepada pengguna sesuai dengan minat mereka.

Kata kunci : World Wide Web, collaborative tagging, vector space model, cosine similarity,artikel publikasi ilmiah

(15)

The Implementation of Collaborative Tagging on Scientific Publication Recommender System

ABSTRACT

Keyword : World Wide Web, collaborative tagging, vector space model, cosine similarity

(16)

BAB I

PENDAHULUAN

1.1. Latar Belakang

Berkembangnya World Wide Web (WWW) dan banyaknya orang yang menulis informasi pada WWW membuat pengguna dapat mengakses informasi sangat banyak dan juga informasi yang tidak diinginkan oleh pengguna. Salah satunya adalah artikel publikasi ilmiah. Pengguna dihadapkan dengan banyaknya pilihan artikel publikasi ilmiah yang ada, sehingga pengguna kesulitan dalam menemukan artikel publikasi ilmiah yang sesuai dengan minat mereka. Oleh sebab itu dibutuhkan sebuah sistem rekomendasi yang dapat memberikan rekomendasi artikel publikasi yang sesuai dengan minat pengguna.

Salah satu metode yang paling banyak digunakan pada sistem rekomendasi adalah collaborative filtering. Metode collaborative filtering digunakan dengan memberikan rekomendasi dari pengguna yang memiliki kesamaan dengan pengguna lainnya. Berkembangnya Web 2.0, seperti situs jejaring sosial, situs berbagi foto , situs berbagi artikel jurnal dan situs bookmark sosial, folksonomy atau collaborative tagging system mulai dikembangkan.

Collaborative tagging menjelaskan proses yang memungkinkan banyak

pengguna untuk memberikan keterangan sebuah item dengan dengan sebuah kata kunci contohnya tagging (Golder et al,2007). Aktifitas tagging yang dilakukan oleh pengguna dapat mengetahui minat dan pilihan pengguna (Alag,2007). Sebagai contoh pada situs berbagi artikel jurnal ilmiah, pengguna dapat berbagi artikel dengan memberikan tagging pada artikel jurnal yang dia minati dan sistem dapat memberikan rekomendasi artikel yang belum pernah dibaca oleh pengguna.

(17)

Salah satu metode yang dapat digunakan untuk sistem rekomendasi dengan mengggunakan tagging adalah vector space model. Tag yang dilakukan oleh pengguna akan direpresentasikan dalam bentuk vektor dan untuk memberikan rekomendasi artikel publikasi dihitung dengan menggunakan cosine similarity

(Alag,2007).

1.2. Rumusan Masalah

Diperlukannya sebuah pendekatan teknologi untuk membantu pengguna agar dapat memberikan rekomendasi artikel publikasi ilmiah yang sesuai dengan minat pengguna.

1.3. Batasan Masalah

Adapun batasan masalah dalam penelitian ini yaitu:

1. Data tagging pengguna diambil dari beberapa situs (bibsonomy, citeulike, delicious).

2. Jumlah tag yang terdapat pada setiap artikel berjumlah minimal 3 tag dan maksimal 6 tag.

3. Setiap pengguna telah memberikan tag pada sistem lebih dari 15 tag.

1.4. Tujuan Penelitian

Penelitian ini bertujuan untuk memberikan rekomendasi artikel publikasi ilmiah dengan menggunakan metode collaborative tagging yang sesuai dengan minat dari pengguna.

1.5. Manfaat Penelitian

(18)

1. Sistem rekomendasi artikel publikasi ilmiah dengan menggunakan metode collaborative tagging diharapkan dapat membantu para pengguna atau untuk mendapatkan informasi rekomendasi artikel publikasi ilmiah yang sesuai dengan minat pengguna.

2. Menambah pengetahuan baru tentang tagging recommender system. 3. Menjadi bahan rujukan untuk penelitian selanjutnya.

1.6. Metodologi Penelitian

Penulis akan merancang dengan tahapan-tahapan metodologi penelitian sebagai berikut:

1. Studi Literatur

Pada tahap studi literatur, penulis mengumpulkan referensi-referensi yang menyulur tentang permasalahan diatas. Tahapan ini ditujukan untuk mengetahui apa yang akan dikerjakan, apa yang sudah dikerjakan oleh peneliti lain, dan bagaimana mereka menyelesaikannya, kemudian seberapa jauh pengembangan terhadap penggunaan

collaborative tagging dan vector space model serta seberapa jauh yang dapat dilakukan untuk memperbaiki penelitian para peneliti lain tersebut.

2. Pengumpulan Data

Pada tahap pengumpulan data, dilakukan pengumpulan data yang mendukung dalam penyelesaian masalah yang diteliti secara sistematis.

3. Analisa dan Perancangan Sistem

Pada tahapan ini, penulis akan melakukan analisa terhadap kumpulan data yang telah dilakukan pada tahapan sebelumnya, dalam penyelesaian suatu masalah sehingga dapatmerancang sebuah sistem yang akan diimplementasikan nantinya.

4. Implementasi Sistem

Pada tahap pengimplementasian sistem, penulis melakukan pengimplementasian metode

collaborative tagging pada Sistem Rekomendasi artikel publikasi ilmiah berdasarkan pada analisa dan rancangan sebelumnya. Implementasi meliputi pembuatan sistem dalam

(19)

5. Pengujian Sistem

Pada tahapan ini, penulis melakukan pengujian terhadap sistem yang telah dirancang untuk mengetahui kehandalan sistem tersebut dan untuk mengetahui apakah telah sesuai dengan yang diharapkan dalam penelitian ini.

6. Dokumentasi Sistem

Pada tahap dokumentasi sistem ini, penulis menyusun laporan terhadap sistem yang telah dibuat.

1.7. Sistematika Penulisan

Penulisan skripsi ini terdiri dari lima bab dengan masing-masing bab secara singkat dijelaskan sebagai berikut:

Bab I Pendahuluan

Bab ini berisi berisikan latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan sistematika penulisan.

Bab II Tinjauan Pustaka

Pada bab tinjauan pustaka menguraikan landasan teori, penelitian terdahulu, kerangka pikir dan hipotesis yang diperoleh dari acuan yang mendasari dalam melakukan kegiatan penelitian pada tugas akhir ini.

Bab III Analisis dan Perancangan Sistem

Pada bab ini berisikan paparan analisis terhadap permasalahan dan penyelesaian persoalan terhadap metode collaborative tagging pada sistem rekomendasi artikel publikasi ilmiah serta identifikasi kebutuhan perancangan sistem.

(20)

Bab IV Hasil dan Pembahasan

Pada bab ini berisi implementasi perancangan sistem dari hasil analisis dan perancangan yang sudah dibuat, serta menguji sistem untuk menemukan kelebihan dan kekurangan pada sistem rekomendasi yang dibuat.

Bab V Kesimpulan dan Saran

Pada bab ini berisikan kesimpulan yang didapatkan terhadap hasil penelitian skripsi dan saran untuk pengembangan lebih lanjut tentang topik terkait yang dibahas pada skripsi.

(21)

BAB 2

LANDASAN TEORI

2.1. Sistem Rekomendasi

Sistem rekomendasi merupakan sebuah perangkat lunak yang bertujuan untuk membantu pengguna dengan cara memberikan rekomendasi kepada pengguna ketika pengguna dihadapkan dengan jumlah informasi yang besar. Rekomendasi yang diberikan diharapkan dapat membantu pengguna dalam proses pengambilan keputusan, seperti barang apa yang akan dibeli, buku apa yang akan dibaca, atau musik apa yang akan didengar, dan lainnya (Ricci et al, 2011).

Sistem rekomendasi pribadi (personalized recommender system) harus mengenal terlebih dahulu setiap pengguna yang ada. Setiap sistem rekomendasi harus membangun dan memelihara user model atau user profile yang berisi ketertarikan pengguna (Jannach et al, 2010). Sebagai contoh, sistem rekomendasi di website Amazon menyimpan setiap transaksi pembelian pelanggan, komentar pelanggan, dan

review / rating yang diberikan oleh pelanggan terhadap suatu produk.

Selain dengan menggunakan rating, salah satu cara yang dapat digunakan untuk memberikan rekomendasi adalah dengan menggunakan tagging. Aktivitas tagging yang dilakukan oleh pengguna pada suatu sistem dapat mengetahui minat dari seorang pengguna(Alag, 2007).

(22)

2.2. Tagging

Proses penandaan suatu konten dengan sebuah keyword atau kata kunci disebut dengan tagging. Kata kunci atau tag dapat digunakan pada segala aplikasi seperti foto, artikel, blog, video dan lainnya(Alag,2007).

Penandaan suatu item atau konten oleh pengguna dapat digunakan untuk mengetahui minat dari pengguna, untuk mengetahui item atau konten yang sama dan untuk memberikan rekomendasi item atau konten yang sesuai dengan minat pengguna(Alag,2007).

Tagging dapat dibedakan menjadi dua yaitu : user-generated tags dan

machine-generated tags.

2.2.1 User-Generated Tags

Tag yang dibuat oleh pengguna disebuah sistem dapat dikategorikan sebagai

user-generated tags dan proses penandaan tag oleh pengguna terhadap suatu item disebut

dengan tagging (Alag,2007).

2.2.2 Machine-Generated Tags

Tag yang dibuat oleh sebuah machine dinamakan dengan machine-generated tags. Tag dibuat dengan menggunakan stemming dengan menganalisa teks dari sebuah konten atau item (Alag,20007).

Pengguna melakukan tagging yaitu dengan tujuan untuk mengatur dan mengingat sebuah item yang menarik bagi mereka. Selain itu dengan melakukan proses tagging

terhadap suatu konten, pengguna dapat saling berbagi informasi dengan pengguna yang lain, menemukan item atau konten yang sama dan mendapatkan rekomendasi

(23)

2.3. Collaborative Tagging

Collaborative tagging adalah sebuah proses dimana seorang pengguna secara bebas menggunakan sebuah tag sebagai keyword untuk sebuah item atau konten (Golder et al, 2006). Tag yang dilakukan oleh pengguna pada suatu menunjukkan ketertarikan atau minat dari pengguna terhadap suatu item atau konten.

Salah satu metode yang digunakan pada collaborative tagging adalah vector space

model. Vector space model digunakan karena kemudahannya. Tag yang dilakukan

oleh pengguna direpresentasikan dalam bentuk vektor dan untuk menghitung similarity dan memberikan rekomendasi digunakan dengan menggunakan cosine based similarity (Alag,2007).

2.4. Vector Space Model

Vector Space Model (VSM) adalah metode untuk melihat tingkat kedekatan atau

kesamaan (smilarity) term dengan cara pembobotan term. Dokumen dipandang sebagi sebuah vektor yang memiliki magnitude (jarak) dan direction (arah). Pada Vector

Space Model, sebuah istilah direpresentasikan dengan sebuah dimensi dari ruang

vektor (Alag,2007).

- Dot Product

Dimisalkan (d) adalah merupakan nilai sebuah vektor dari sebuah dokumen . Untuk menghitung kesamaan dua buah vektor adalah dengan menggunakan cosine

similarity. Tahap awal adalah dengan menghitung vector normalizer atau vector

length dari setiap vektor yang ada pada dokumen (Alag,2007). Untuk menghitung

similarity antara dua vektor dihitung menggunakan rumus :

Sim (d1,d2) = Dimana :

• (d1) merupakan nilai vektor dari dokumen 1 • (d2) merupakan nilai vektor dari dokumen 2

(24)

• | (d1) | | (d2)| merupakan nilai Euclidean length

Nilai Euclidean Distance merupakan nilai jarak antara suatu vektor dengan vektor yang lain(Alag,2007). Nilai Euclidean Distance dihitung dengan rumus :

Dimana :

• n adalah banyaknya jumlah vektor • vi adalah nilai yang ada pada vektor

Dari rumus 2.1 , akan didapat nilai length-normalize dari setiap vektor. Rumus untuk menghitung length-normalize adalah :

(d1) =

Dimana :

• adalah nilai dari vektor pada dokumen 1

• | adalah nilai euclidean length dari vektor dokumen 1 Rumus untuk menghitung cosine similarity untuk vector :

Sim (d1,d2) = (d1) . (d2)

Dimana :

• (d1) adalah nilai dari length-normalize vektor pada dokumen 1 • (d2) adalah nilai dari length-normalize vektor pada dokumen 2

(2.2)

(2.3)

(25)

Pada sistem rekomendasi dengan tag, setiap tag yang dilakukan oleh pengguna direpresentasikan kedalam bentuk vector.

Sebagai contoh, terdapat tiga buah artikel yaitu artikel A, artikel B dan artikel C telah diberikan tag oleh user sebagai berikut:

• Artikel A telah diberikan tag dengan kata Recommender System oleh 4 user, Tag Based oleh 8 user, Collaborative Filtering oleh 6 user,Cosine Similarity oleh 3 user.

• Artikel B telah diberikan tag dengan kata Tag Based oleh 5 user,

Cosine Similarity oleh 8 user,vector oleh 5 user.

• Artikel C telah diberikan tag dengan kata Recommender System oleh 1 user, Tag Based oleh 4 user, Cosine Similarity oleh 3 user, Dot Product 10 user.

Tabel 3.1 Data artikel yang telah diberikan tagging oleh pengguna.

Recommender System

Tag Based

Collaborative Filtering

Cosine

Similarity Vector

Dot Product

Artikel A ₄ ₈ ₆ ₃

Artikel B ₅ ₈ ₅

Artikel C ₁ ₄ ₃ ₁₀

Dari tabel 3.1 dapat diketahui bahwa terbentuk 6 vector berdasarkan dari semua jumlah term yang ada.kemudian dihitung normalizer untuk setiap jurnal .

Normalizer merupakan nilai dari Euclidean distance dan untuk menghitung nilai

Euclidean Distance digunakan rumus 2.2 . Nilai normalizer untuk artikel A adalah = 11,18. Nilai normalizer untuk artikel B adalah =10,68 dan Nilai normalizer untuk artikel C adalah

= 11,22. jumlah data tag artikel dan nilai normalizer akan dibuat didalam tabel 3.2.

(26)

Tabel 3.2 Raw Data Jurnal. Recommender System Tag Based Collaborative Filtering Cosine Similarity Vector Dot Product Normalizer Artikel

A 4 8 6

3 11,18

Artikel B

5 8 5 10,68

Artikel C

1 4 3 10 11,22

Setelah data normalizer didapatkan kemudian akan dihitung normalize dari setiap vector untuk setiap raw data jurnal. Untuk mendapatkan nilai normalized vector dihitung dengan menggunakan rumus 2.3. Sebagai contoh nilai normalized tag

Recommender System pada artikel A adalah = 0,3578, nilai normalized tag Tag

Based pada artikel A adalah = 0,7156 , nilai normalized tag Collaborative Filtering pada artikel A adalah = 0,5367. Nilai semua normalized diterangkan dengan tabel 3.3

Tabel 3.3 Normalized Vector jurnal

Recommender System Tag Based Collaborative Filtering Cosine

Similarity Vector

Dot Product

Artikel A _0,3578 _0,7156 _0,5367 _0,2683

Artikel B _0,4682 _0,7491 _0,4682

Artikel C _0,0891 _0,3563 _0,2673 _0,891

Setelah data normalized didapatkan kemudian dihitung similarity antara suatu artikel dengan artikel lainnya dengan menggunakan cosine similarity. Rumus untuk

(27)

Sim(jurnal A dan jurnal B) = (0,7156*0,4682 + 0,2683*0,7491 ) = 0,5360

Sim(jurnal A dan jurnal C) = (0,3578*0,0891 + 0,2683*0,2673 ) = 0,3586

Sim(Jurnal B dan Jurnal C) = (0,4682*0,3563 + 0,7491*0,2673 ) = 0,3671

Dari contoh diatas dapat diketahui bahwa artikel B lebih relevan dengan artikel A dibandingkan dengan artikel C dan artikel C lebih relevan dengan artikel B dibandingkan dengan artikel A.

Selain untuk menghitung similarity antara suatu artikel dengan artikel lainnya, juga dapat juga digunakan untuk memberikan rekomendasi artikel kepada user. Sebagai contoh, terdapat dua buah pengguna yaitu dan telah memberikan tag

pada tiga buah artikel dengan tag sebagai berikut:

• telah memberikan tag pada artikel A dengan kata : Recommender System, Tag Based, Collaborative Filtering.

• telah memberikan tag pada artikel B dengan kata : Cosine Similarity, Vector, Tag Based

• telah memberikan tag pada artikel C dengan kata : Dot Product, Cosine Similarity, Tag Based.

Dari data tag yang dilakukan oleh dan dapat diketahui jumlah tag yang terdapat pada sistem berjumalah enam yaitu : Recommender System, Tag Based,

Collaborative Filtering, Cosine Similarity, Vector dan Dot Product.

Tabel 3.4 Data Tagging user

Recommender System

Tag Based

Collaborative Filtering

Cosine

Similarity Vector

Dot Product

U1 1 2 1 1 1

(28)

Kemudian setelah data dari tag user didapatkan langkah selanjutnya adalah dengan menghitung normalizer atau jarak antara suatu vektor dengan vektor lainnya. Untuk menghitung nilai normalizer setiap vektor dihitung dengan menggunakan rumus 2.2. Sebagai contoh nilai normalizer untuk user A adalah

= 2,83 dan nilai normalizer untuk user B adalah = 1,73. Hasil dari normalizer akan dijelaskan pada tabel 3.5

Tabel 3.5 Raw Data User

Recommender System Tag Based Collaborative Filtering Cosine

Similarity Vector

Dot

Product Normalizer

U1 1 2 1 1 1 2,83

U2 1 1 1 1,73

Setelah data normalizer/length untuk setiap user didapatkan kemudian dihitung

normalized untuk user. Untuk menghitung nilai normalized vektor dapat dihitung dengan menggunakan rumus 2.3. Hasil nilai dari normalized vektor pengguna dapat dilihat pada tabel 3.6.

Tabel 3.6 Normalized vector User Recommender System Tag Based Collaborative Filtering Cosine

Similarity Vector

Dot Product

U1 0,3536 0,7071 0,3536 0,3536 0,3536

U2 0,5773 0,5773 0,5773

Kemudian setelah didapatkan nilai normalized untuk setiap vector pada user akan dihitung dot product dengan menggunakan cosine similarity antara nilai normalized vector user dengan nilai normalized artikel. Perhitungan dot product dihitung dengan rumus 2.4. Hasil nilai dot product antara pengguna dan jurnal dapat dilihat pada tabel 3.7.

(29)

Tabel 3.7 Dot Product User x Jurnal

Artikel A Artikel B Artikel C

U1 0,917 0,7616 0,378

U2 0,568 0,703 0,874

2.4. Bahasa Pemrograman PHP

Sibero (2011) mengatakan PHP (Hypertext Preprocessor) adalah pemrograman

interpreter yaitu proses penerjemahan dari kode sumber menjadi kode mesin yang

dimengerti komputer pada saat baris kode dijalankan secara langsung. PHP pada awalnya ditulis menggunakan bahasa PERL (Perl Script), kemudian ditulis ulang dengan menggunakan bahasa C CGI-BIN (Common Gateway Interface-Binnary) yang bertujuan agar halaman website dapat mendukung formulir dan penyimpanan data. PHP adalah bahasa pemrograman Server Side Programming, memungkinkan sebuah

website yang dibangun bersifat dinamis (Sibero, 2011).

2.5. Database

Database adalah koleksi data item yang saling terkait terkelola sebagai satu unit. Beberapa defenisi lain tentang database yaitu sebagai berikut:

• Suatu pengorganisasian sekumpulan data yang saling berhubungan sehingga memudahkan aktivitas untuk memperoleh informasi (Sutanta, 2004).

• Database merupakan data yang saling terhubung dan deskripsi dari data yang

dirancang untuk kebutuhan organisasi (McLeod dan Schell, 2004).

• Sedangkan menurut Date, database adalah record yang terkomputerisasi yang bertujuan menyediakan informasi ketika dibutuhkan (Kadir, 2003).

(30)

Penerapan database dalam sistem informasi disebut database system. Dari teori-teori tersebut dapat disimpulkan bahwa database adalah sekumpulan data yang terorganisasi dan saling terhubung untuk menyediakan informasi yang diperlukan.

Basis data (database), atau sering pula dieja basis data, adalah kumpulan informasi yang disimpan didalam komputer secara sistematik sehingga dapat diperiksa menggunakan suatu program komputer untuk memperoleh informasi dari basis data tersebut. Perangkat lunak yang digunakan untuk mengelola dan memanggil kueri

(query) basis data disebut sistem manajemen basis data (Database Management

System, DBMS) (Sutanta, 2004).

Sistem basis data (database system) didefinisikan sebagai sekumpulan subsistem yang terdiri atas basis data dengan para pemakai yang menggunakan basis data secara bersama-sama, personal-personal yang merancang dan mengelola basis data, teknik- teknik untuk merancang dan mengelola basis data, serta sistem komputer untuk mendukungnya (Kadir, 2003). Database system adalah sistem penyimpanan informasi yang terorganisasi dengan suatu cara sehingga memudahkan untuk proses pengolahan data (McLeod dan Schell, 2004).

DBMS adalah sebuah sistem perangkat lunak yang mengizinkan pengguna untuk mendefinisikan, membuat, memelihara, dan mengatur akses ke database.

Sedangkan menurut McLeod dan Schell (2004), DBMS adalah aplikasi perangkat lunak yang menyimpan struktur database, hubungan antardata dalam database, serta berbagai formulir laporan yang berkaitan dengan database tersebut.

2.6. Unified Modelling Language (UML)

Untuk membantu dalam pengembangan perangkat lunak dikenal istilah pemodelan. Salah satu pemodelan yang saat ini paling banyak digunakan oleh pengembang perangkat lunak adalah UML (Unified Modelling Language). UML adalah standar

bahasa yang sering digunakan dalam bidang industri untuk mendefinisikan

requirement (kebutuhan), membuat analisis dan desain, serta menggambarkan

(31)

Ada beberapa hal yang dimaksud dalam kompleksitas pada perangkat lunak (Rosa et al, 2011):

1. Kompleksitas domain atau permasalahan perangkat lunak 2. Kesulitas mengelola proses pengembangan perangkat lunak 3. Kemungkinan fleksibilitas perubahan perangkat lunak

4. Permasalahan karakteristik bagian-bagian perangkat lunak secara diskrit

UML terbagi atas 3 (tiga) kategori, yaitu diagram struktur (structure diagram), diagram kelakuan sistem (behaviour diagram), dan diagram interaksi (interaction diagram)(Rosa, et al. 2011).

2.8. Penelitian Terdahulu

Sistem rekomendasi telah ada semenjak awal tahun 1990. Berbagai penelitian telah dilakukan untuk menyempurnakan, menggabungkan, dan bahkan menemukan teknik rekomendasi baru untuk mengatasi permasalahan di dalam sistem rekomendasi yang terus berkembang.

Penulis menggunakan penelitian yang telah dibuat sebelumnya sebagai rujukan maupun pertimbangan metode yang tepat untuk digunakan di dalam permasalahan penelitian ini.. Beberapa penelitian terdahulu di bidang sistem rekomendasi, diantaranya :

No Peneliti Keterangan

1 Hayati menggunakan metode hybrid (content based dan

collaborative filtering) dengan algoritma k-Nearest Neighbor

pada sistem rekomendasi pariwisata. Hayati menggunakan kombinasi sekuensial untuk menggabungkan kedua metode tersebut.

2 Wildan menggunakan metode hybrid ( content based dan

collaborative filtering) dengan multi-criteria rating pada

sistem rekomendasi antivirus.Pada penelitian ini menggunakan multi-criteria rating.

(32)

No Peneliti Keterangan

3 Uyun menggunakan metode item based collaborative filtering untuk memberikan rekomendasi pada pembelian buku secara online. Pada penelitian menggunakan rating dari pengguna untuk memberikan rekomendasi buku yang tertarik kepada pengguna.

2.9 Perbedaan dengan penelitian terdahulu

Perbedaan pada penelitian yang penulis lakukan adalah pada penelitian terdahulu yang digunakan untuk memberikan rekomendasi adalah dengan menggunakan rating oleh pengguna, sedangkan pada penelitian yang penulis lakukan dengan menggunakan tag

dari pengguna. Aktifitas tagging oleh pengguna dapat digunakan untuk memberikan rekomendasi yang sesuai dengan minat pengguna .

(33)

BAB 3

ANALISIS DAN PERANCANGAN

Bab ini akan membahas tentang data yang digunakan, Use Case Diagram untuk melihat semua interaksi pengguna terhadap sistem, Data Flow Diagram (DFD) yang merupakan diagram yang menunjukkan aliran data didalam sistem, flowchart

algoritma yang digunakan di dalam sistem rekomendasi artikel publikasi ilmiah dengan menggunakan metode vector space model, perancangan database, dan perancangan antarmuka pemakai (user interface).

3.1. Data Yang Digunakan

Data yang digunakan untuk membangun Sistem Rekomendasi berbasis tagging

berasal dari berbagai website (citeulike, bibsonomy dan delicious) yang terdiri dari 30 pengguna yang masing-masing telah memberikan tag sebanyak 30 buah tag.

3.2. Use Case Diagram

Use Case Diagram adalah representasi dari interaksi pengguna dengan sistem yang

bertujuan untuk menunjukkan kepada pengguna aktivitas apa saja yang dapat dilakukan di dalam sebuah sistem. Gambar 3.1 berikut merupakanUse Case Diagram

(34)

User Halaman Utama Login

Halaman Rekomendasi

Logout <<include>>

Lihat

Add tag Submit Artikel

Tutorial Your Favorite Article Registrasi

Gambar 3.1 Use Case Diagram

Dari gambar 3.1, terdapat satu aktor yang dapat menggunakan sistem ini, yaitu pengguna.Gambar tersebut juga menjelaskan relasi beberapa use case yang ada. Berikut ini akan dijelaskan masing-masing use case tersebut :

• Register, yaitu mendaftarkan diri sebagai anggota

• Login, yaitu melakukan verifikasi pengguna sebelum menggunakan sistem. • Halaman utama, yaitu merupakan halaman utama dari sistem rekomendasi. • Your favorite article, yaitu merupakan halaman untuk melihat artikel yang sudah

disubmit oleh pengguna.

• Submit article, yaitu mensubmit artikel baru kedalam sistem.

• Halaman Rekomendasi, yaitu melihat halaman rekomendasi yang menampilkan artikel yang direkomendasikan.

(35)

3.3. Activity Diagrams

3.3.1. Activity Diagram Register

Interface Sistem

Pengguna

Masukkan username, password,

dan retype password pengecekan username di dlm database

Menampilkan pesan gagal, username sudah ada

Username sudah ada

simpan username dan password ke dalam database pengecekan password dan retype password

Username belum ada

Menampilkan pesan gagal, password tidak sama

Password sama

Password tidak sama

Menampilkan pesan berhasil register Menampilkan form registrasi Klik tombol register

Gambar 3.2 Activity Diagram Register

Gambar 3.2 menggambarkan aktivitas-aktivitas apa saja yang berlangsung ketika pengguna melakukan registrasi di dalam Sistem Rekomendasi artikel publikasi

ilmiah. Tahap awal adalah pengecekan terlebih dahulu apakah username yang

diinputkan oleh pengguna sudah ada di dalam database dan pengecekan apakah

password dan retype password yang diinputkan sama. Apabila username yang

diinputkan oleh pengguna belum ada di dalam database dan pengecekan password

dan retype password sama maka username dan password akan di masukkan ke

(36)

3.3.2. Activity Diagram Logout

Interface Sistem

Pengguna

Masukkan username dan password pengecekan username di dlm database

Menampilkan pesan gagal, username tidak ditemukan

Username tidak ada

beralih ke halaman utama pengecekan password dengan

password database Username ada

Menampilkan pesan gagal, password salah

Password salah

Password benar

Menampilkan halaman utama Menampilkan Form login

session dimulai Klik Tombol Login

Gambar 3.3Activity Diagram Login

Dari Gambar 3.3 dapat dijelaskan bahwa proses login pada sistem rekomendasi artikel Publikasi ilmiah terdiri dari beberapa proses. Pada awalnya pengguna akan mengklik tombol login. Kemudian sistem akan menampilkan form login kepada pengguna. Setelah form login ditampilkan pengguna memasukkan username dan password pada form. Kemudian sistem akan validasi username dan password yang dimasukkan oleh pengguna apabila username dan password terdapat dalam database maka halaman utama dari sistem rekomendasi artikel publikasi akan ditampilkan.

(37)

3.3.3. Activity Diagram Halaman Utama

Pengguna Interface sistem

ambil data 5 artikel publikasi terakhir yang baru disubmit,

Tampilkan data artikel

Ambil 5 author publikasi popular

ambil data 5 tag Popular minggu ini

ambil data 5 tag Popular bulan ini

Tampilkan data artikel

Tampilkan data tag

Gambar 3.4 Activity Diagram Halaman Utama

Gambar 3.4 merupakan activity diagram dari halaman utama dari sistem rekomendasi artikel publikasi ilmiah. Sistem akan mengambil lima data artikel publikasi terakhir yang disubmit oleh pengguna, data popular author artikel, data lima tag popular minggu ini, data lima tag popular bulan ini. Kemudian data artikel publikasi yang terakhir disubmit oleh pengguna, data tag yang paling populer minggu ini dan data tag populer bulan ini akan ditampilkan pada halaman utama.

(38)

3.3.4 Activity Diagram Halaman submit artikel

sistem Interface

Pengguna

Cek Session

Mengisi Informasi artikel

Menampilkan Halaman Utama

Menampilkan Form Submit artikel

Insert informasi artikel ke Database

Pesan Sukses insert kedatabase

Ada Tidak ada

Klik link submit artikel

Gambar 3.5 Activity Diagram Halaman submit artikel

Gambar 3.5 menjelaskan tentang submit sebuah artikel pada sistem. Sistem akan mengecek session yang ada. Apabila tidak terdapat session maka akan diarahkan ke halaman utama. Jika terdapat session maka pengguna mengklik submit artikel dan sistem akan menampilkan form untuk mengisi informasi dari artikel. Kemudian pengguna mengisi informasi artikel publikasi dan kemudian sistem akan memasukkan

(39)

3.3.5. Activity Diagram Halaman Rekomendasi

Interface sistem

Pengguna

cek session

menampilkan rekomendasi artikel

Tampilkan halaman login

Hitung rekomendasi dengan cosine based similarity Tidak ada session

ada session

Gambar 3.5 Activity Diagram Halaman Rekomendasi

Gambar 3.5 menjelaskan tentang halaman rekomendasi artikel publikasi ilmiah yang sesuai dengan minat dari pengguna. Pengguna harus login atau masuk kedalam sistem untuk melihat artikel yang direkomendasikan kepada pengguna tersebut.

(40)

3.3.6. Activity Diagram lihat daftar artikel publikasi oleh pengguna

Pengguna Interface sistem

Cek Session

Menampilkan Halaman Utama

Menampilkan artikel Yang telah disubmit

oleh user

Ada Tidak ada

Klik Link My Favourite article

Gambar 3.6 Activity Diagram Lihat artikel Yang disubmit pengguna

Gambar 3.6 menjelaskan tentang proses pengguna untuk melihat artikel yang telah diinputkan oleh pengguna. Pada awalnya sistem akan mengecek session pengguna jika session ada maka pengguna akan masuk kedalam sistem dan kemudian pengguna mengklik link my favourite article dan sistem akan menampilkan daftar artikel yang telah di inputkan oleh pengguna.

(41)

3.3.7. Activity Diagram Logout

Sistem

Pengguna Interface

cek session

Tampilkan Halaman Login

Session ada Session tdk ada

Hapus session

Gambar 3.7 Activity diagram logout

Gambar 3.7 Menjelaskan bahwa sistem akan menghapus session ketika proses logout dan akan diarahkan kehalaman login.

3.4. Flowchart

Terdapat beberapa flowchart yang ada di dalam Sistem Rekomendasi artikel publikasi berbasis tagging. Flowchart tersebut antara lain adalah :

• Flowchart proses rekomendasi keseluruhan.

• Flowchart perhitungan raw data pengguna

• Flowchart perhitungan normalized vector pengguna

• Flowchart perhitungan raw data jurnal

• Flowchart perhitungan normalized vector jurnal • Flowchart perhitungan dot product / cosine similarity.

(42)

3.4.1. Flowchart Keseluruhan Rekomendasi

START

$Id_user

Ambil semua tag dari database, kemudian simpan dalam array $tag

Ambil semua jurnal yang belum pernah ditag oleh user, kemudian simpan

dalam array $jurnal

Ambil data user, kemudian simpan dalam

array $user

selesai Pembentukan raw data

untuk jurnal

Pembentukan normalized vector untuk jurnal

Pembentukan raw data user

Pembentukan normalized vector untuk user

Dot Product user x jurnal

$dot_product Urutkan hasil dot

product $dot_product dari

besar - kecil

(43)

Flowchart sistem rekomendasi dengan menggunakan dot product dapat dilihat pada gambar 3.5. Perhitungan dengan dot product dapat dijelaskan menjadi lima buah sub proses, yaitu perhitungan raw data pengguna, perhitungan normalized vector pengguna, perhitungan raw data jurnal, perhitungan normalized vector jurnal dan dot product antara pengguna dengan jurnal.

2. Flowchart Perhitungan Raw Data Pengguna

$normalizer = array(); $jlh_jurnal = array();

Untuk setiap user dalam array $user

$jlh_jurnal[$id_user] = array(); $temp = 0;

Untuk setiap tag dalam array $tag yes

$jlh_jurnal[$id_user][$id_t ag] = hitung jumlah jurnal yang dibuat oleh user

$id_userdengan tag $id_tag $normalizer[$id_user] =sqrt[$temp]; yes no no start Array $user Array $tag $normalizer $jlh_jurnal end

Menghitung jumlah jurnal yang pernah diberikan oleh

suatu user terhadap suatu tag

Gambar 3.6 Flowchart Perhitungan Raw Data Pengguna

Pada tahap ini, sistem akan membangun array yang berisi informasi tentang jumlah artikel yang telah di-tag pengguna untuk setiap tag yang ada. Jika u1 adalah pengguna yang akan dihitung kedekatannya dan t adalah tag yang tersedia di dalam sistem,

(44)

kemudian sistem akan menghitung nilai normalizer atau jarak antar vektor dengan menggunakan rumus 2.2. Berikut ini merupakan raw data pengguna sebagaimana dijelaskan dalam tabel 3.1.

Tabel 3.1 Raw Data Pengguna u1

T1 T2 T3 T4 T5 T6 Normalizer

U1 2 0 1 4 2 0 5

3. Flowchart Perhitungan Normalized Vector Pengguna

$normalized_user=array();

Untuk setiap user dalam array $user

$normalized_user[ $id_user]=array();

Untuk setiap tag dalam array $tag

$normalized_user[$id_user][$id_tag] = $jlh_jurnal[$id_jurnal][$id_tag]/$normalizer[$id_user];

yes

yes no

start

Array $user Array $tag

$normalized_user

end

Menghitung normalized vector untuk user

(45)

Pada tahap ini, sistem akan membangun array normalized vector. Perhitungan

normalize vector untuk pengguna dapat dihitung dengan menggunakan rumus 2.3.

Berikut ini merupakan normalized vector untuk pengguna u1 sesuai dengan tabel 3.2. Tabel 3.2 Normalized Vector Pengguna u1

T1 T2 T3 T4 T5 T6

U1 0.4 0 0.2 0.8 0.2 0

4 Flowchart Perhitungan Raw Data Jurnal

$normalizer = array(); $jlh_user = array();

Untuk setiap jurnal dalam array $jurnal

$jlh_user[$id_jurnal] = array(); $temp = 0

yes

Untuk setiap tag dalam array $tag

$jlh_user[$id_jurnal][$id_tag] = hitung jumlah user yang memberikan tag pada $id_tag pada jurnal

$id_jurnal;

$temp += pow($jlh_user[$id_jurnal][$id_tag],2); yes

$normalizer[$id_jurnal] = sqrt ($temp); no

start

Array $jurnal Array $tag

$jlh_user $normalizer

end

Menghitung jumlah user yang pernah memberikan satu tag tertentu kepada satu

jurnal tertentu

Menghitung normalizer untuk sebuah jurnal

(46)

Pada tahap ini, sistem akan membangun array yang berisi informasi tentang jumlah user yang memberikan tag setiap jurnal untuk setiap tag yang ada. Selain itu, pada tahap ini, sistem juga akan menyimpan normalizer untuk setiap jurnal yang dapat dihitung dengan rumus 2.2.

Jika j adalah jurnal yang akan dihitung kedekatannya dan t adalah tag yang tersedia di dalam sistem, berikut ini merupakan raw data jurnal sebagaimana dijelaskan dalam tabel 3.3.

Tabel 3.3 Raw Data Jurnal

T12 T2 T3 T4 T5 T6 Normalizer

j1 3 0 3 1 0 2 4,79

J2 1 0 1 3 3 3 5.38

(47)

5 Flowchart Perhitungan Normalized Vector Jurnal

$normalized_jurnal = array();

Untuk setiap jurnal dalam array $jurnal

$normalized_jurnal [$id_jurnal] =

array();

Untuk setiap tag dalam array $tag

$normalized_jurnal[$id_j urnal][$id_tag]=$jlh_user[ $id_jurnal][$id_tag]/ normalizer[$id_jurnal]; no

yes

yes start

Array $jurnal Array $tag

$normalized_jurnal

end

Menghitung normalize vector jurnal

Gambar 3.9 Flowchart Perhitungan Normalized Vector Jurnal

Pada tahap ini, sistem akan membangun array normalized vector untuk jurnal/artikel. Perhitungan normalized vector dihitung dengan menggunakan rumus 2.3. Hasil nilai normalized vector untuk jurnal/artikel dapat dilihat pada tabel 3.4.

(48)

Tabel 3.4 Normalized Vector Jurnal

T12 T2 T3 T4 T5 T6

j1 0,62 0 0,62 0,208 0 0,417

J2 0,185 0 0,185 0,557 0,557 0,557

(49)

6 Flowchart Dot Product Pengguna dengan Jurnal

$dot_product = array();

Untuk setiap user yang ada dalam

array $user

$dot_product[$id_ user] = array();

Untuk setiap jurnal yang ada di array $jurnal

$temp = 0

Untuk setiap tag yang ada di array

$tag

$temp += $normalized_jurnal[$id_jurnal][$id_tag] * $normalized_user[$id_user][$id_tag]

$dot_product[$id_user][$id_jurnal] = $temp;

yes

yes no

start

Array $user Array $jurnal Array $tag

$dot_product

end

Gambar 4.0 Flowchart Dot Product Pengguna dengan Jurnal

Pada tahap ini, sistem akan menghitung nilai dot product dari nilai vektor jurnal dan vektor dari pengguna. Perhitungan nilai dot product setiap vektor dihitung dengan menggunakan rumus 2.4.

(50)

3.5. Perancangan Sistem

Pada penelitian ini, peracangan sistem dibagi dua, yakni pemaparan tentang kebutuhan perangkat lunak dan perancangan antar muka perangkat lunak.

3.5.1. Kebutuhan Perangkat Lunak

Sistem rekomendasi dibangun menggunakan bahasa pemrograman PHP, HTML, dan Javascript. Sedangkan MySQL digunakan sebagai Database Management System

(DBMS) untuk mengelola database.

3.5.2. Perancangan Antar Muka Perangkat Lunak

Perancangan antarmuka sistem yang tepat diperlukan agar perangkat lunak yang dikembangkan dapat dengan mudah digunakan oleh pengguna, sehingga tujuan dari pengembangan perangkat lunak tercapai. Berikut ini adalah beberapa rancangan low fidelity dari Sistem Rekomendasi artikel publikasi ilmiah.

A. Form Registrasi

Username Password Retype Password Full Name

Gambar 3.12 Form Registrasi

Gambar 3.12 menyatakan bahwa terdapat empat buah input box yang harus diisi ketika pengguna hendak melakukan registrasi dan sebuah tombol registrasi. Keempat buah input tersebut yaitu : username, password, retype password, dan full name. Berikut merupakan penjelasan dari masing-masinginput dan tombol tersebut.

(51)

2. Password merupakan kata kunci yang akan digunakan oleh pengguna pada saat login yang berfungsi sebagai alat bantu pengamanan untuk memvalidasi pengguna yang login.

3. Retype Passworduntuk menghindari kesalahan pengguna pada saat

penulisan password.

4. Full Name merupakan nama lengkap pengguna.

5. Tombol Registrasi merupakan tombol untuk menyimpan data registrasi yang telah pengguna masukkan.

B. Form Login

Username Password

Gambar 3.13 Form Login

Gambar 3.13 menyatakan bahwa terdapat dua buah input box dan sebuah tombol login. Berikut merupakan penjelasan dari masing-masing input dan tombol tersebut.

1. Sebuah input box di mana pengguna menuliskan username.

2. Sebuah input box yang berfungsi sebagai tempat pengguna menuliskan password

(52)

C. Halaman Utama (Manajemen Produk)

Home Account

Article Recommender System

4 2

5 3

Latest 5 added Article

Popular Author

All article Tutorial

Popular Tag This week

Popular Tag This Month

Most Active User

Gambar 3.14 Halaman Utama

Berdasarkan gambar 3.14, halaman utama di dalam Sistem Rekomendasi jurnal

berfungsi untuk menampilkan urutan semua artikel, dan beberapa rekomendasi yang diberikan oleh sistem. Di dalam halaman ini, terdapat banyak elemen dengan rincian sebagai berikut.

1. Judul atau nama dari perangkat lunak.

2. Link atau navigasi yang mengarah ke halaman home (halaman utama).

3. Link atau navigasi yang mengarah ke halaman all article. Halaman all

articles merupakan halaman yang berisi list semua artikel yang telah

disubmit oleh user.

4. Link atau navigasi yang mengarah ke halaman about. Pada halaman about

merupakan halaman yang berisi tentang sistem rekomendasi artikel publikasi ilmiah.

5. Link atau navigasi untuk user website. Pada link bagian ini akan ditampilkan form untuk register dan form untuk login.

(53)

6. Merupakan tampilan halaman yang digunakan untuk menampilkan 5 buah artikel terbaru yang telah disubmit oleh user.

7. Merupakan tampilan halaman yang digunakan untuk menampilkan tag yang paling populer yaitu tag yang paling banyak digunakan oleh user. Pada tampilan ini akan ditampilkan tag yang paling populer selama dalam satu minggu.

8. Merupakan tampilan halaman yang digunakan untuk menampilkan tag yang paling populer yaitu tag yang paling banyak digunakan oleh user. Pada tampilan ini akan ditampilkan tag yang paling populer selama dalam satu bulan.

9. Merupakan tampilan halaman yang digunakan untuk menampilkan author artikel yang paling populer yaitu author dari artikel yang paling banyak disubmit oleh user.

10.Merupakan tampilan halaman yang digunakan untuk menampilkan user yang paling aktif yaitu user yang paling banyak mensubmit jurnal.

D. Halaman All article

Home Account

Article Recommender System

4 2

5 3

Jurnal A

All Article About

6 Artikel A

Artikel B

Jurnal C Artikel D

Artikel E

Artikel G Artikel D

Artikel F

Artikel H Artikel I

(54)

Gambar 3.15 adalah gambar halaman all article, yang berfungsi untuk menampilkan semua list atau daftar artikel yang ada didatabase. Berikut merupakan penjelasan dari masing-masing elemen di dalam halaman all article.

1. Judul atau nama dari perangkat lunak.

2. Link atau navigasi yang mengarah ke halaman home (halaman utama).

3. Link atau navigasi yang mengarah ke halaman all article. Halaman all article merupakan halaman yang berisi list semua jurnal yang telah disubmit oleh user.

4. Link atau navigasi yang mengarah ke halaman about. Pada halaman about

merupakan halaman yang berisi tentang sistem rekomendasi.

5. Link atau navigasi untuk user website. Pada link bagian ini akan ditampilkan form untuk register dan form untuk login.

6. Merupakan Tampilan dari daftar artikel yang ada didalam database.

E. Halaman about

Home Account

Article Recommender System

4 2

5 3

Jurnal A

All Article About

(55)

Halaman about, berfungsi sebagai halaman untuk memberikan penjelasan tentang program sistem rekomendasi yang telah dibuat. Berikut merupakan keterangan dari bagian-bagian yang terdapat di halaman about.

1. Judul atau nama dari perangkat lunak.

2. Link atau navigasi yang mengarah ke halaman home (halaman utama).

3. Link atau navigasi yang mengarah ke halaman all journal. Halaman all

article merupakan halaman yang berisi list semua article yang telah disubmit oleh user.

4. Link atau navigasi yang mengarah ke halaman about. Pada halaman about

merupakan halaman yang berisi tentang sistem rekomendasi.

5. Link atau navigasi untuk user website. Pada link bagian ini akan ditampilkan form untuk register dan form untuk login.

6. Merupakan tampilan dari halaman tentang sistem rekomendasi.

F. Halaman Submit Article

Home User

Article Recommender System

4 2

5 3

Submit Article Your Favorite

Article

Recommendation 6

Title

Url

Tag

abstrack 10

Year 11

Author

Gambar 3.17 Submit article

(56)

2. Link atau navigasi yang mengarah ke halaman home (halaman utama).

3. Link atau navigasi yang mengarah ke halaman all article. Halaman all

article merupakan halaman yang berisi list semua artikel yang telah disubmit oleh user.

4. Link atau navigasi yang mengarah ke halaman about. Pada halaman about

merupakan halaman yang berisi tentang sistem rekomendasi.

5. Link atau navigasi untuk user website. Pada link bagian ini akan ditampilkan form untuk register dan form untuk login. Jika suatu user telah login,maka akan ditampilkan nama user yang telah login kedalam sistem. 6. Merupakan link atau navigasi kehalaman rekomendasi dari sistem.

7. Merupakan sebuah input box yang harus diisi oleh user untuk memasukkan judul dari artikel yang ingin disubmit.

8. Merupakan sebuah input box yang harus diisi oleh user untuk memasukkan author atau penulis dari artikel.

9. Merupakan sebuah input box yang harus diisi oleh user untuk memasukkan url dari artikel.

10.Merupakan sebuah input box yang harus diisi oleh user untuk memasukkan

abstract dari artikel.

11.Merupakan sebuah input box yang harus diisi oleh user untuk memasukkan tahun terbit dari artikel.

12.Merupakan sebuah input box yang harus diisi oleh user untuk memasukkan tag yang ingin diberikan user untuk artikel yang ingin disubmitnya.

(57)

G. Halaman Your favorite article

Home User

Article Recommender System

4 2

5 3

Submit Article Your Article Recommendation

url

No _title _Tag Date

Gambar 3.17 Halaman Your Favourite Article

Gambar 3.17 merupakan gambar halaman untuk jurnal yang telah dibookmark oleh pengguna.Disini akan ditampilkan list jurnal yang telah disubmit oleh user.

1. Judul atau nama dari perangkat lunak.

2. Link atau navigasi yang mengarah ke halaman home (halaman utama).

3. Link atau navigasi yang mengarah ke halaman all article. Halaman all article merupakan halaman yang berisi list semua jurnal yang telah disubmit oleh user.

4. Link atau navigasi yang mengarah ke halaman about. Pada halaman about

merupakan halaman yang berisi tentang sistem rekomendasi.

6. Merupakan link atau navigasi kehalaman rekomendasi dari sistem. 7. Merupakan daftar dari artikel yang telah disubmit oleh user/pengguna.

(58)

3.6. Perancangan Database

3.6.1 Perancangan Database

Berikut ini merupakan rancangan database Sistem Rekomendasi jurnal.

A. Tabel user

Berikut ini adalah rancangan dari tabel user. User

PK id_user

username password nama

Gambar 3.18 Tabel user

Tabel user berfungsi sebagai tempat untuk menyimpan data pengguna. Tabel user memiliki empat attribut, dengan rincian sebagai berikut.

1. Id_user, merupakan sebuah attribut yang berfungsi sebagai primary key dari tabel user. Attribut ini bertipe integer dan auto increment.

2. username, merupakan sebuah attribut yang berfungsi menyimpan username

pengguna. Attribut ini bertipe varchar.

3. password, merupakan sebuah attribut yang berfungsi menyimpan password

pengguna. Attribut ini bertipe varchar.

B. Tabel Author

Berikut ini adalah rancangan dari tabel author. Author

PK id_author

nama_author

(59)

Tabel author berfungsi sebagai tempat menyimpan author/penulis dari sebuah artikel yang diinputkan oleh seorang pengguna untuk sebuah artikel .Tabel author memiliki 2 attribut, dengan rincian sebagai berikut.

1. Id_author, merupakan sebuah attribut yang berfungsi sebagai primary key dari tabel author. Attribut ini bertipe integer dan auto increment.

2. Nama_author, merupakan sebuah attribut yang berfungsi menyimpan nama author yang merupakan id yang mewakili satu buah produk. Attribut ini bertipe varchar.

C. Tabel jurnal

Jurnal

PK id_jurnal

url judul abstrack direktori tahun ISSN

Gambar 3.20 Tabel jurnal

Tabel jurnal berfungsi sebagai tempat menyimpan data dari jurnal. Tabel jurnal memiliki 6 attribut, dengan rincian sebagai berikut.

1. Id_jurnal, merupakan sebuah attribut yang berfungsi sebagai primary key dari tabel jurnal. Attribut ini bertipe integer dan auto increment.

2. url, merupakan sebuah attribut yang berfungsi menyimpan alamat url jurnal. Attribut ini bertipe varchar.

3. judul, merupakan sebuah attribut yang berfungsi menyimpan nama judul dari sebuah jurnal yang diinputkan oleh pengguna. Attribut ini bertipe varchar. 4. abstrak, merupakan sebuah attribut yang berfungsi untuk abstrak dari sebuah

jurnal. Attribut ini bertipe varchar

5. tahun, merupakan sebuah attribut yang berfungsi menyimpan tahun rilis suatu produk.

6. ISSN , merupakan sebuah attribut yang menyimpan nomor ISSN dari sebuah jurnal.

(60)

D. Tabel tag

Tag

PK id_tag

teks_tagging

Gambar 3.21 Tabel tagging

Tabel tag berfungsi sebagai tempat menyimpan tagging yang ada, seperti

Recommender System, Data Mining dll. Tabel tagging memiliki 2 attribut, dengan

rincian sebagai berikut.

1. Id_tag, merupakan sebuah attribut yang berfungsi sebagai primary key dari tabel tag. Attribut ini bertipe integer dan auto increment.

2. Teks_tagging, merupakan sebuah attribut yang berfungsi menyimpan teks dari tagging yang diinputkan oleh pengguna. Attribut ini bertipe varchar.

E. Tabel user jurnal

user_jurnal

PK id_user_jurnal

id_user id_jurnal Date_time

Gambar 3.22 Tabel user jurnal

Tabel user jurnal berfungsi sebagai penghunbung pengguna dengan jurnal.Tabel user jurnal memiliki 4 attribut, dengan rincian sebagai berikut.

1. Id_user_jurnal, merupakan sebuah attribut yang berfungsi sebagai primary key

dari tabel user jurnal. Attribut ini bertipe integer dan auto increment.

2. Id_user, merupakan sebuah attribut yang berfungsi menyimpan id pengguna. Attribut ini bertipe integer dan diambil dari tabel user.

3. Id_jurnal merupakan sebuah atribut yang berfungsi menyimpan id jurnal. Attribut ini bertipe integer dan diambil dari tabel jurnal.

4. Date_time merupakan sebuah attribut yang berfungsi untuk menyimpan waktu ketika pengguna pengguna menginputkan sebuah jurnal.

(61)

F. Tabel user_jurnal_tag

user_jurnal_tag

id_user_jurnal id_tag

Gambar 3.23 Tabel user_jurnal_tag

Tabel user_jurnal_tag berfungsi sebagai penghubung antara tabel user_jurnal dengan tabel tag. Tabel id_user_jurnal memiliki 2 attribut, dengan rincian sebagai berikut.

1. Id_user_jurnal, merupakan sebuah attribut yang berfungsi menyimpan id dari pengguna yang menginputkan jurnal. Attribut ini bertipe integer .

2. Id_tag, merupakan sebuah attribut yang berfungsi menyimpan idtag. Attribut ini bertipe integer.

G. Tabel Author_jurnal

Author_jurnal

id_author id_jurnal

Gambar 3.24 Tabel Author_jurnal

Tabel author_jurnal berfungsi sebagai penghubung antara tabel author dan tabel jurnal. Tabel author_jurnal memiliki 2 attribut, dengan rincian sebagai berikut.

1. Id_author, merupakan sebuah attribut yang menyimpan id author yang diambil dari tabel author. Attribut ini bertipe integer.

2. Id_jurnal, merupakan sebuah attribut yang berfungsi menyimpan id dari jurnal yang diambil dari tabel jurnal. Attribut ini bertipe integer.

(62)

3.6.2. Relasi Antar Tabel

Berikut ini merupakan pemaparan rancangan relasi antar tabel di dalam sistem rekomendasi jurnal ilmiah.

User

PK id_user

username password nama Author

PK id_author

nama_author

Author_jurnal

id_author id_jurnal

Jurnal

PK id_jurnal

url judul abstrack direktori tahun ISSN

Tag

PK id_tag

teks_tagging

user_jurnal

PK id_user_jurnal

id_user id_jurnal Date_time

user_jurnal_tag

id_user_jurnal id_tag

(63)

BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM

Bab ini akan membahas tentang implementasi collaborative tagging pada Sistem Rekomendasi artikel publikasi ilmiah, serta penjelasan mengenai pengujian sistem yang telah dibangun.

4.1. Implementasi Sistem

Lingkungan implementasi yang dimaksud adalah spesifikasi perangkat keras dan perangkat lunak yang digunakan pada saat pengimplementasian sistem. Berikut ini merupakan spesifikasi perangkat keras dan perangkat lunak yang digunakan.

1. Perangkat Keras (Hardware)

Perangkat keras yang digunakan oleh peneliti pada tahap pengimplementasian sistem adalah sebagai berikut :

1. Prosesor Intel® Core™ 2 Duo CPU T6500 @2.10 GHz (2CPUs), ~2.1GHz 2. 2048 MB RAM

2. Perangkat Lunak (Software)

Perangkat lunak yang digunakan dalam pembagungan sistem adalah sebagai berikut: 1. Operating System Windows Vista

2. MySQL 5.5.16 3. PHP 5.3.8

4. XAMPP Control Panel Version 2.5 5. phpMyAdmin 3.4.5

(64)

4.2. Implementasi Perancangan Antarmuka

4.2.1. Halaman Registrasi

Halaman registrasi ditujukan kepada pengguna yang belum memiliki akun di dalam Sistem Rekomendasi Publikasi Ilmiah. Halaman registrasi pada Sistem Rekomendasi

Publikasi Ilmiah dapat dilihat pada Gambar 4.1.Pengguna yang ingin melakukan

registrasi diwajibkan untuk mengisi keempat kolom yang ada, yaitu username,

password, retype password, dan full name.

(65)

4.2.2. Halaman Login

Halaman login adalah halaman pertama yang ditampilkan ketika pengguna belum login. Untuk dapat memakai Sistem Rekomendasi artikel publikasi ilmiah, pengguna diwajibkan untuk login terlebih dahulu. Halaman login Sistem Rekomendasi artikel publikasi ilmiah dapat dilihat pada Gambar 4.2.

Gambar 4.2 Halaman Login

4.2.3 Halaman Home

Halaman home merupakan halaman utama di dalam Sistem Rekomendasi Artikel

Publikasi Ilmiah. Gambar 4.3 merupakan gambar halaman home di dalam sebuah

Sistem Rekomendasi Artikel Publikasi Ilmiah.

(66)

4.2.4 Halaman Rekomendasi

Halaman rekomendasi merupakan halaman untuk menampilkan rekomendasi artikel yang sesuai dengan minat dari pengguna.

Gambar 4.4 Halaman Rekomendasi

4.2 5 Halaman Lihat artikel publikasi ilmiah

Halaman produk menampilkan spesifikasi sebuah Artikel Publikasi Ilmiah. Gambar 4.5 menjelaskan halaman untuk melihat spesifikasi artikel publikasi ilmiah yang telah disubmit oleh pengguna.

(67)

4.2 6 Halaman submit artikel

Halaman submit artikel adalah halaman yang digunakan untuk menambah artikel publikasi ilmiah yang baru.

Gambar 4.6 Tambah Artikel Publikasi

4.2.7 Halaman Tutorial

Halaman tutorial menjelaskan bagaimana cara menggunakan Sistem Rekomendasi

artikel publikasi ilmiah. Gambar 4.3 merupakan tampilan dari halaman tutorial.

(68)

4.3 Pengujian Sistem

Pengujian sistem ditujukan untuk menguji kinerja sistem. Pengujian dilakukan oleh baik seorang pengguna awam maupun seorang penguji kualitas software dengan cara menggunakan sistem rekomendasi secara langsung.

Metode pengujian sistem yang akan dipakai adalah metode blackbox. Pengujian blackbox adalah metode pengujian yang dilakukan terhadap interface

sistem yang digunakan untuk mendemonstasikan fungsi sistem yang dioperasikan (Gea 2011).

Berikut ini merupakan rencana pengujian dan hasil pengujian sistem rekomendasi Publikasi Ilmiah.

4.3.1. Rencana Pengujian Sistem

Rencana pengujian sistem dengan metode blackbox dapat dilihat pada tabel 4.1

Tabel 4.1 Rencana Pengujian

No. Komponen Sistem yang Diuji Butir Uji

1 Halaman Login Formulir Login

Pesan Login

2 Halaman Tutorial Halaman Tutorial

3 Halaman Register Formulir Registrasi

Pesan Registrasi

4 Halaman Utama Daftar artikel yang disubmit

Lihat Popular tag

Lihat daftar pengguna yang aktif

5 Halaman Submit artikel Formulir submit artikel

6 Halaman lihat artikel Formulir pemberian tagging

(69)

4.3.2. Hasil Pengujian Sistem

Setelah menguji coba sistem dengan mengikuti rencana pengujian seperti pada tabel 4.1, hasil dari uji coba tersebut disimpan sebagai bukti bahwa sistem tersebut sudah berhasil melewati tahap uji coba. Tabel 4.2 merupakan tabel hasil uji sistem dengan metode blackbox.

Tabel 4.2 Hasil Pengujian

No. Komponen

Sistem yang Diuji

Skenario Uji Hasil yang Diharapkan Hasil Uji

1 Halaman Login Pengguna memasukkan

username dan password yang salah

Pengguna kembali menuju halaman login, pesan yang dimunculkan adalah “Username or password is wrong”

Berhasil

Pengguna memasukkan

username dan password yang benar

Pengguna menuju halaman utama, pesan yang dimunculkan adalah “Welcome Home, Nama Lengkap “

Berhasil

2 Halaman Tutorial Pengguna mengklik link menuju halaman tutorial

Halaman tutorial berhasil dimuat dengan tampilan yang rapi

Berhasil

3 Halaman Register Pengguna tidak mengisi salah satu kolom registrasi, kemudian menekan tombol register

Pengguna kembali menuju halaman registrasi, sistem menampilkan pesan “A field was empty”

Berhasil

Pengguna salah mengisikan

password dan retype password, kemudian menekan tombol register

Pengguna kembali menuju halaman registrasi, sistem menampilkan pesan “Password doesn’t match”

Berhasil

Pengguna mengisikan

username dengan username

yang sudah ada, kemudian menekan tombol register

Pengguna kembali menuju halaman registrasi, sistem menampilkan pesan “Username already exists”

(70)

Pengguna mengisi field dengan benar, kemudian menekan tombol register

Data mengenai pengguna tersebut disimpan. Pengguna dialihkan menuju halaman login, sistem menampilkan pesan “Successfully registered, you may login now”

Berhasil

4 Halaman Utama Pengguna sedang berada di halaman utama

Halaman utama berhasil dimuat, halaman utama berisi list produk, rekomendasi produk kepada pengguna yang login, dan sebuah alat filter (pencarian) produk

Berhasil

5 Logout Pengguna mencoba mengklik tombol logout

Pengguna dialihkan menuju halaman login, sistem memberikan pesan “Successfully Logged Out”

Berhasil

6 Halaman submit article

Pengguna mengisi formulir tambah submit article, kemudian menekan tombol simpan

Produk baru berhasil disimpan. Pengguna dialihkan menuju halaman utama, sistem memberikan pesan “Article Successfully Added”

Berhasil

7 Halaman Lihat Artikel publikasi

Pengguna berada di halaman Lihat artikel publikasi

Halaman Lihat artikel publikasi menampilakan data dari suatu artikel publikasi yang sudah di submit oleh pengguna.

Berhasil

Pengguna memberi tagging pada artikel publikasi ilmiah

Tagging pengguna terhadap artikel publikasi tersebut berhasil disimpan di dalam database.

(71)

Tabel 4.2 Hasil Pengujian (Lanjutan)

No. Komponen

Sistem yang Diuji

Skenario Uji Hasil yang Diharapkan Hasil Uji

8 Halaman Rekomendasi

Pengguna sedang berada di halaman rekomendasi Halaman rekomendasi menampilkan perhitungan rekomendasi Berhasil

Pengguna mengklik tombol detail

Sebuah Pop up windows muncul menjelaskan perhitungan

rekomendasi

Berhasil

4.3.3 Persiapan Pengujian Data

Untuk menguji kebenaran rekomendasi yang dihasilkan oleh program dengan metode collaborative tagging pada sistem rekomendasi publikasi artikel ilmiah, penulis akan membuat sebuah skenario penggunaan sistem rekomendasi dan akan menganalisis apakah artikel publikasi yang direkomendasikan sesuai dengan minat dari pengguna atau tidak.

1. Nama Pengguna : Agus

2. ID Pengguna : 7

3. Artikel Publikasi yang telah disubmit :

Tabel 4.3 Artikel yang telah disubmit oleh pengguna dengan username agus

NO Judul artikel publikasi Abstract Tagging

1 Evaluating Collaborative

Filtering Recommender Systems

Recommender systems have been evaluated in many, often

incomparable, ways. In this article, we review the key decisions in

evaluating collaborative

Collaborative Filtering, Recommender System

2 A Group Recommender

System for Tourist Activities

This paper introduces a method for giving recommendations of tourist activities.

Recommender system, Tourism,Group Recommender

(1)

Tabel raw data user menjelaskan banyaknya jumlah tagging yang dibuat oleh pengguna pada sistem. Seperti contoh pengguna agus telah membuat tagging Recommender System sebanyak 5 buah tagging.Kemudian akan dihitung nilai dari normalizer atau jarak antar vektor dengan menggunakan rumus 2.3. Penjelasan perhitungan untuk user Agus dapat dilihat pada tabel 4.6

Tabel 4.6Raw data Pengguna Agus

Judul

Artikel

Pattern Recognition

Data Mining

Speech Recognition

Usage patterns of collaborative tagging

systems

Recommender System Based on Consumer

Product Reviews

Mining Frequent

Patterns 1

Pattern recognition

0,70710678118655 0,70710678118655

User Recommender

System

Collaborative Filtering

Collaborative Tagging

Folksonomy

agus 5 4 1 1

(2)

Tabel 4.6Raw Data Pengguna Agus ( Lanjutan)

Tabel 4.6 Raw Data Pengguna Agus (Lanjutan)

Kemudian akan dihitung nilai normalized vektor untuk setiap nilai vektor dokumen dengan menggunakan rumus 2.2. Hasil dari normalized vector untuk pengguna agus dapat dilihat pada tabel 4.7

Tabel 4.7Normalized Vector for user Agus

Tabel 4.7 Nilai Normalized Vector Agus (Lanjutan)

Tabel 4.7Nilai Normalized Vector Agus ( lanjutan)

User Web-Sharing Bookmark Shiling Mobile Device

agus 1 1 1 1

User User Interface Group

Recommender

Tourism Normalizer

agus 1 1 1 7,141428429

User Recommender System Collaborative Filtering Collaborative Tagging Folksonomy

agus 0,700140042 0,560112034 0,140028008 0,140028008

User Bookmark Web Sharing Rating

Recommender System

Shiling

Agus 0,140028008 0,140028008 0,140028008 0,140028008

User Mobile|

Device

User

Interface Tourism

Group Recommender

System Agus 0,140028008 0,140028008 0,140028008 0,140028008

(3)

Setelah nilai dari normalized vector didapatkan, kemudian akan dilakukan perhitungan dot product nilai antara normalized vector pengguna dan normalized vector jurnal. Perhitungan nilai dot product dihitung dengan menggunakan rumus 2.4. Perhitungan dot product antara pengguna agus dan jurnal dapat dilihat pada tabel 4.8.

Tabel 4.8Dot Product perhitungan user x jurnal

Usage patterns of

collaborative tagging systems

Recommender System Based on

Consumer Product Reviews

Mining Frequent Patterns

Pattern recognition

Agus 0,48507125 0,404226042 0 0

Artikel Yang direkomendasikan

• Usage patterns of collaborative tagging systems

• Recommender System Based on Consumer Product Reviews

Berdasarkan dari perhitungan artikel yang akan direkomendasikan kepada user Agus adalah artikel Usage patterns of collaborative tagging system dan

Recommender System Based on Consumer Product review.

Artikel yang direkomendasikan oleh sistem adalah Usage patterns of

collaborative tagging system dan Recommender System Based on Consumer Product review untuk pengguna agus. Dapat diketahui bahwa artikel yang direkomendasikan oleh sistem sesuai dengan minat dari pengguna.

(4)

BAB 5

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Setelah melewati tahap pengimplementasian dan pengujian terhadap sistem, maka terdapat beberapa kesimpulan yang ditemukan pada penelitian ini, yaitu :

1. Tagging yang dilakukan oleh pengguna dapat memberikan rekomendasi kepada pengguna dan dapat menjadi pengganti rating dalam memberikan rekomendasi . 2. Metode collaborative tagging dengan pemodelan vector (Vector Space Model)

dengan cosine similarity dapat digunakan untuk memberikan rekomendasi kepada pengguna.

5.2. Saran

Penulis ingin memberikan beberapa saran untuk penelitian di bidang sistem rekomendasi selanjutnya, yaitu :

1. Penelitian selanjutnya disarankan collaborative tagging ditambahkan dengan menggunakan text mining untuk memberikan rekomendasi tag kepada pengguna.

(5)

2. Penelitian selanjutnya pada sistem rekomendasi dengan metode collaborative tagging disarankan untuk digabung dengan metode semantic search untuk mengatasi kata yang homonim atau polisemi.

(6)

DAFTAR PUSTAKA

Afifi,W 2014. Implementasi Metode hybrid (content based dan collaborative filtering) dengan multi-criteria rating pada sistem rekomendasi antivirus. Skripsi. Universitas Sumatera Utara.

Alag, S. 2007. Collective intelligence in action. O’Reilly Media: NewYork. Golder, A. & Huberman, A . 2005. Usage Pattern of collaborative tagging

system. Journal of information science. 32(2): 198-208.

Hayati, N. 2012. Metode hybrid (content based dan collaborative filtering) nearest neighbor untuk sistem rekomendasi pariwisata. Skripsi. Universitas Sumatera Utara.

Jannach, D., Zanker, M., Felfernig, A. & Friedrich, G. 2011. Recommender System – An Introduction. Cambridge University Press: Cambridge. Kadir, A. 2003. Pengenalan Sistem Informasi. Yogyakarta: Penerbit Andi. McLeod, R. & Schell, G. 2004. Sistem Informasi Manajemen. Diterjemahkan

oleh Hendra Teguh. Edisi Delapan. PT Indeks: Jakarta.

Ricci, F., Rokach, L., Saphira, B. & Kantor, P. B. (Editors). 2011. Recommender System Handbook. Springer: New York.

Sibero, A. F. K. 2011. Kitab Suci Web Programming. Yogyakarta : Penerbit Mediakom.

Sutanta, E. 2004. Sistem Basis Data. Yogyakarta:Penerbit Graha Ilmu. Uyun, S., Fahrurozi, I., & Mulyanto, A.. 2011. Item Collaborative Filtering

untuk Rekomendasi Pembelian Buku secara Online. JUSI . 1 (1) : 64-69

Implementasi Metode Collaborative Tagging Pada Sistem Rekomendasi Artikel Publikasi Ilmiah