PENERAPAN SPARSE MATRIX PADA REKOMENDASI BERITA PERSONAL UNTUK PENGGUNA ANONIM SKRIPSI RIZQI MULKI 091402001

  PENERAPAN SPARSE MATRIX PADA REKOMENDASI BERITA PERSONAL UNTUK PENGGUNA ANONIM

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah

Sarjana Teknologi Informasi

  RIZQI MULKI 091402001

PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

  2014

PERSETUJUAN

  Judul : PENERAPAN SPARSE MATRIX PADA REKOMENDASI BERITA PERSONAL UNTUK PENGGUNA ANONIM

  Kategori : SKRIPSI Nama : RIZQI MULKI Nomor Induk Mahasiswa : 091402001 Program Studi : SARJANA (S-1) TEKNOLOGI INFORMASI Departemen : TEKNOLOGI INFORMASI Fakultas : ILMU KOMPUTER DAN TEKNOLOGI

  INFORMASI Diluluskan di Medan, Agustus 2014

  Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Dr. Mardiningsih, M.Si Romi Fadillah Rahmat, B.Comp.Sc.,M.Sc NIP. 19630405 198811 2 001 NIP. 19860303 201012 1 004 Diketahui/Disetujui Oleh Program Studi Teknologi Informasi Ketua, M. Anggia Muchtar, ST. MM.IT NIP 19800110 2008 01 1010

  

PERNYATAAN

  PENERAPAN SPARSE MATRIX PADA REKOMENDASI BERITA PERSONAL UNTUK PENGGUNA ANONIM SKRIPSI Saya mengakui bahwa skripsi adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringakasan yang masing

• – masing telah disebutkan sumbernya. Medan, Agustus 2014 Rizqi Mulki 091402001

  PENGHARGAAN

  Puji dan syukur dihadiahkan kehadirat Allah SWT, serta selawat kepada Nabi Muhammad SAW, karena atas anugerah dari-Nya lah penulis dapat menyelesaikan skripsi ini. Rasa syukur yang sangat besar kepada Allah SWT, karena kemudahan yang Allah anugerahkan sehingga skripsi ini bisa diselesaikan.

  Dalam menyelesaikan skripsi ini penulis banyak mendapatkan bantuan dan motivasi dari luar diri. Pada kesempatan ini dengan kerendahan hati, penulis mengucapkan terima kasih banyak kepada : 1.

  Kedua orang tua penulis, yaitu Bunda, Nuraini.S.Pd dan Ayahanda, Abdullah.S.Pd, karena berkat dukungan baik secara moril maupun materil secara terus menerus sehingga penulis dapat menyelesaikan skripsi ini. Kepada saudara penulis Khairurrijal, Linil Masthura, Muhibuddin, Nurkhalidah, dan seluruh keluarga besar kami.

  2. Kepada Bapak Romi Fadillah Rahmat, B.Comp.Sc.,M.Sc dan Ibu Dr. Mardiningsih, M.Si yang terus mendukung dalam penyelesaian skripsi ini.

  3. Ketua Jurusan sekaligus penasehat akademik M. Anggia Muchtar, ST. MM.IT dan Sekretaris Jurusan M. Fadly Syahputra, B.Sc, M.Sc.IT.

  4. Seluruh Dosen yang mengajar pada Program Studi Teknologi Informasi Universitas Sumatera Utara.

  5. Teman – teman Teknologi Informasi Stambuk 2009, ranap, satria, ari, zizi, yogi, wildan, fithra, gilberth, aang dan kawan

• – kawan SRC yang telah banyak membantu selama masa studi dan penyelesaian skripsi ini.

  6. Rekan – rekan kerja saya Kak Adri Arianti, Buk Tapi Rondang, Pak Yassin, Vero, Kak Feby, Kak Nita, Kak Ica dan Pak Naqosya Asrori yang selalu mendukung untuk menyelesaikan skripsi.

  Dalam menyusun dan penyelesain skripsi ini masih banyak ada kekurangan maka kritik dan saran sangat diharapkan. Demikianlah kata pengantar yang dapat saya sampaikan semoga skripsi ini menjadi berguna dan bermanfaat.

  

ABSTRAK

  Tautan berita online disebar melalui social media oleh pihak portal berita supaya masyarakat tertarik untuk membaca berita ke portal berita mereka. Supaya user yang sudah masuk ke dalam sebuah portal berita, terus membaca berita lain karena menemukan ada berita yang berkaitan dan disukai pada daftar rekomendasi berita personal. Namun, saat ini rekomendasi secara personal bisa diberikan jika sudah memiliki banyak riwayat penjelajahan dan harus dipastikan user sudah login ke portal berita tersebut. Hal ini akan menjadi masalah jika yang membaca berita adalah pengguna anonim dan tidak memiliki riwayat penjelajahan yang banyak, sehingga akan menyulitkan bagi pemilik portal berita untuk menambah jumlah pembaca baru di portal berita mereka, jika pelayanan yang ingin diberikan adalah berupa rekomendasi berita secara personal. Maka dari itu, dibutuhkan sistem rekomendasi secara personal untuk pengguna anonim yang baru sekali atau beberapa kali mengakses berita dan bisa diberikan rekomendasi secara personal dengan menerapkan metode yang memanfaatkan sparse matrix yaitu CSR Sparse Matrix Vector Multiplication dan

  

proximity processing . Bayesian framework for user interest yang merupakan metode

  untuk sistem rekomendasi personal akan digunakan juga, namun dengan memodifikasi penerapannya yaitu pada term. Penelitian ini menunjukkan bahwa walaupun riwayat penjelajahan sedikit, rekomendasi berita secara personal tetap bisa diberikan kepada pembaca berita.

  Kata kunci : rekomendasi berita, rekomendasi berita personal, pengguna anonim

  

SPARSE MATRIX APPLICATION IN PERSONAL NEWS

RECOMMENDATION FOR ANONYMOUS USER

ABSTRACT

  Online news links are being spread through the social media by news agencies in order to encourage people to read news from their site. After users have logged in to their site, users will keep on reading news that is relevant to their personalized news recommendation. But, nowadays personalized recommendation could be provided to users only i f the site has recorded much of users browsing history and it‟s mandatory that users have to log in to the site. This could be problematic if the news readers are anonymous users and the site hasn‟t record enough browsing history from those users. It would be difficult for news agencies to increase their daily readers to their site if they‟re going to compete with other agencies in the aspect of providing good personalized recommendation. Therefore, personalized recommender system is necessary for anonymous users who „ve only visited the news site occasionally, so that the site could recommend the news they‟re likely to read by implementing CSR

  Sparse Matrix Vector Multiplication and proximity processing as sparse matrix applied method. Bayesian framework for user interest will also be implemented with the modification in its term. This research will prove that even though news site hasn‟t recorded enough browsing history, personalized news recommendation could still be provided to the readers.

  Keywords : News Recommendation, Personal News Recommendation, Anonyomous

  User

  

DAFTAR ISI

  Halaman

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

DAFTAR TABEL

  23 Tabel 3.9 Hasil dari menjalankan algoritma proximty processing

  32 Tabel 4.1 Daftar judul berita dan hasil eliminasi untuk bisa

  32 Tabel 3.21 Skenario rekomendasi akses berita

  31 Tabel 3.20 Skenario catat akses berita

  31 Tabel 3.19 Skenario ambil kata dan angka

  31 Tabel 3.18 Skenario stopword removal

  30 Tabel 3.17 Skenario stemming

  29 Tabel 3.16 Skenario konversi berita

  29 Tabel 3.15 Mendeskripsikan setiap use case

  28 Tabel 3.14 Mendeskripsikan secara singkat aktor dalam sistem

Tabel 3.13 Hasil rekomendasi

  27 Tabel 3.12 Penambahan nilai dari penerapan bayesian framework for user interest 28

  25 Tabel 3.11 Frekuensi akses term terhadap waktu

  25 Tabel 3.10 Nilai untuk rekomendasi setelah diterapkan proximity processing

  22 Tabel 3.8 Term frequency untuk proximy processing

Tabel 2.1 Aturan untuk inflectional particle

  22 Tabel 3.7 Hasil pengurutan nilai akhir secara descending.

  21 Tabel 3.6 Hasil relevansi dokumen menggunakan algoritma csr spmv

  20 Tabel 3.5 Sparse matrix yang ditampilkan dalam bentuk tabel

  20 Tabel 3.4 df dan idf

  19 Tabel 3.3 Tf (term frequency)

  18 Tabel 3.2 Hasil dokumen setelah melalui tahapan eliminasi

  14 Tabel 3.1 Contoh kumpulan dokumen serta keterangan

  14 Tabel 2.7 Penelitian sebelumnya

  14 Tabel 2.6 Aturan untuk derivational suffix

  13 Tabel 2.5 Aturan untuk second order derivational prefix (lanjutan)

  13 Tabel 2.4 Aturan untuk second order derivational prefix

  13 Tabel 2.3 Aturan untuk first order derivational prefix

  13 Tabel 2.2 Aturan untuk inflectional possesive pronoun

  47

Tabel 4.2 Nilai yang didapatkan masing

  48 Tabel 4.3 Nilai masing

• – masing dokumen

  49 Tabel 4.4 Uji coba akses berita menggunakan 5 Pengguna Anonim

• – masing dokumen setelah

  51 Tabel 4.5 Nilai untuk proses precision & recall

  53 Tabel 4.6 Nilai untuk proses precision & recall (lanjutan)

  54

  

DAFTAR GAMBAR

  

Gambar 4.3 Halaman bagian pengaturan pengambilan berita rekomendasi

  

  

  

  

  

  

  

  

  

  

  

  

  

Gambar 2.1 contoh sparse matrix

  

  

  

  

  

  

  

  

  

  

  

  

  

  

Gambar 4.4 Halaman bagian pengaturan lama sesi aktif untuk pengguna anonim