PENERAPAN SPARSE MATRIX PADA REKOMENDASI BERITA PERSONAL UNTUK PENGGUNA ANONIM
SKRIPSI
RIZQI MULKI 091402001
PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2014
Universitas sumatera utara
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
Universitas sumatera utara
i
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
Universitas sumatera utara
ii
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
Universitas sumatera utara
iii
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.
Universitas sumatera utara
iv
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
Universitas sumatera utara
v
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 if 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
Universitas sumatera utara
vi
DAFTAR ISI Halaman PERSETUJUAN .................................................................................................................... i PERNYATAAN ................................................................................................................... ii PENGHARGAAN ............................................................................................................... iii ABSTRAK .......................................................................................................................... iv ABSTRACT ..........................................................................................................................v DAFTAR ISI ....................................................................................................................... vi DAFTAR TABEL................................................................................................................ ix DAFTAR GAMBAR ........................................................................................................... xi
BAB 1 PENDAHULUAN ......................................................................................................1 1.1.
Latar Belakang ..............................................................................................1
1.2.
Rumusan Masalah .........................................................................................2
1.3.
Tujuan Penelitian ..........................................................................................2
1.4.
Batasan Masalah............................................................................................3
1.5.
Manfaat Penelitian .........................................................................................3
1.6.
Metodelogi Penelitian ....................................................................................3
1.7.
Sistematika Penulisan ....................................................................................4
BAB 2 LANDASAN TEORI .................................................................................................6 2.1.
Rekomendasi Berita ......................................................................................6
2.2.
Pengguna Anonim .........................................................................................6
2.3.
Content Based Recommendation ....................................................................7
2.4.
Sparse Matrix ................................................................................................7
2.5.
Information Filtering .....................................................................................8
2.6.
Information Retrieval ....................................................................................8
2.7.
CSR SpMV (Sparse Matrix Vector Multiplication) ........................................9
2.8.
Proximity Processing................................................................................... 10
2.9.
Rekomendasi Berita Personal ...................................................................... 11
2.10. Stopword Removal ....................................................................................... 11 2.11. Stemming .................................................................................................... 12 2.12. Penelitian Sebelumnya ................................................................................ 14
Universitas sumatera utara
vii
BAB 3 ANALISIS DAN PERANCANGAN ........................................................................ 16 3.1.
Analisis Data ............................................................................................... 16
3.2.
Tahapan Eliminasi ....................................................................................... 17
3.3.
CSR SpMV ................................................................................................. 19
3.4.
Proximity Processing................................................................................... 23
3.5.
Bayesian Framework for User Interest ........................................................ 25
3.6. Perancangan General Architecture .................................................................. 28 3.7. Perancangan Use Case .................................................................................... 29 3.7.1. Definisi Aktor.................................................................................... 29 3.7.2. Definisi Use Case ............................................................................. 29 3.7.3. Skenario Use Case ............................................................................ 30 3.7.4. Diagram Use Case............................................................................. 33 1.8
Diagram Kelas............................................................................................. 33
1.9
Diagram Objek ............................................................................................ 35
1.10 Diagram Sekuen .......................................................................................... 35 1.10.1. Konversi berita ............................................................................... 35 1.10.2. Catat akses berita ........................................................................... 36 3.10.3. Rekomendasi akses berita................................................................ 36 3.11. Diagram Aktivitas ....................................................................................... 37 3.12. Diagram Komponen .................................................................................... 38 3.13. Diagram Deployment ................................................................................... 39 3.14. Perancangan Database ................................................................................. 40 3.15. Perancangan Antarmuka .............................................................................. 41
BAB 4 HASIL DAN PEMBAHASAN ................................................................................. 42 4.1
Implementasi Sistem ................................................................................... 42 4.1. 1 Spesifikasi Perangkat Keras dan Perangkat Lunak yang Digunakan .. 42
4.2.
Tampilan Implementasi Sistem .................................................................... 43 3.2.1. Pada daftar item plugin................................................................... 43 3.2.2. Menu untuk pengaturan................................................................... 43 3.2.3. Halaman pengaturan batas pengambilan berita rekomendasi .......... 44 3.2.4. Halaman pengaturan lama sesi aktif ............................................... 44
4.3.
Uji Sistem dan Analisis dengan Satu Pengguna Anonim .............................. 45 4.3.1. Uji coba akses berita ......................................................................... 46
4.4
Analisis Penerapan Sparse Matrix ............................................................... 50
4.5
Uji Coba dan Analisis dengan Banyak Pengguna Anonim ............................ 51
4.6
Analisis Recall dan Precision ...................................................................... 52
Universitas sumatera utara
viii
BAB 5 KESIMPULAN DAN SARAN ................................................................................. 55 5.1 Kesimpulan ..................................................................................................... 55 5.2 Saran ............................................................................................................... 55 DAFTAR PUSTAKA .......................................................................................................... 56 LAMPIRAN I ...................................................................................................................... 58 LAMPIRAN II ..................................................................................................................... 65 LAMPIRAN III ................................................................................................................... 68
Universitas sumatera utara
ix
DAFTAR TABEL
Tabel 2.1 Aturan untuk inflectional particle
13
Tabel 2.2 Aturan untuk inflectional possesive pronoun
13
Tabel 2.3 Aturan untuk first order derivational prefix
13
Tabel 2.4 Aturan untuk second order derivational prefix
13
Tabel 2.5 Aturan untuk second order derivational prefix (lanjutan)
14
Tabel 2.6 Aturan untuk derivational suffix
14
Tabel 2.7 Penelitian sebelumnya
14
Tabel 3.1 Contoh kumpulan dokumen serta keterangan
18
Tabel 3.2 Hasil dokumen setelah melalui tahapan eliminasi
19
Tabel 3.3 Tf (term frequency)
20
Tabel 3.4 df dan idf
20
Tabel 3.5 Sparse matrix yang ditampilkan dalam bentuk tabel
21
Tabel 3.6 Hasil relevansi dokumen menggunakan algoritma csr spmv
22
Tabel 3.7 Hasil pengurutan nilai akhir secara descending.
22
Tabel 3.8 Term frequency untuk proximy processing
23
Tabel 3.9 Hasil dari menjalankan algoritma proximty processing
25
Tabel 3.10 Nilai untuk rekomendasi setelah diterapkan proximity processing
25
Tabel 3.11 Frekuensi akses term terhadap waktu
27
Tabel 3.12 Penambahan nilai dari penerapan bayesian framework for user interest 28 Tabel 3.13 Hasil rekomendasi
28
Tabel 3.14 Mendeskripsikan secara singkat aktor dalam sistem
29
Tabel 3.15 Mendeskripsikan setiap use case
29
Tabel 3.16 Skenario konversi berita
30
Tabel 3.17 Skenario stemming
31
Tabel 3.18 Skenario stopword removal
31
Tabel 3.19 Skenario ambil kata dan angka
31
Tabel 3.20 Skenario catat akses berita
32
Tabel 3.21 Skenario rekomendasi akses berita
32
Tabel 4.1 Daftar judul berita dan hasil eliminasi untuk bisa
47
Universitas sumatera utara
x
Tabel 4.2 Nilai yang didapatkan masing – masing dokumen
48
Tabel 4.3 Nilai masing – masing dokumen setelah
49
Tabel 4.4 Uji coba akses berita menggunakan 5 Pengguna Anonim
51
Tabel 4.5 Nilai untuk proses precision & recall
53
Tabel 4.6 Nilai untuk proses precision & recall (lanjutan)
54
Universitas sumatera utara
xi
DAFTAR GAMBAR
Gambar 2.1 contoh sparse matrix
8
Gambar 2.2 Contoh hasil format kompresi csr dari sparse matrix gambar 2.1
8
Gambar 2.3 Algoritma CSR SpMV (goharian, et al. 2001).
9
Gambar 2.4 Algoritma untuk proximity processing
10
Gambar 2.5 Flowchart algoritma porter (Budhi, 2006)
12
Gambar 3.1 Alur tahapan eliminasi
17
Gambar 3.2 Alur tahapan csr spmv
19
Gambar 3.3 Format csr dari sparse matrix tabel 3.5
21
Gambar 3.4 Format vektor query
21
Gambar 3.5 Alur tahapan proximity processing
23
Gambar 3.6 CSR untuk proximity processing
24
Gambar 3.7 Modifikasi query untuk proximity processing
24
Gambar 3.8 Alur tahapan bayesian framework for user interest
26
Gambar 3.9 Diagram arsitektur
29
Gambar 3.10 Diagram use case
33
Gambar 3.11 Diagram kelas
34
Gambar 3.12 Diagram objek
35
Gambar 3.13 Diagram sequence untuk konversi berita
36
Gambar 3.14 Diagram sequence catat akses berita oleh user
36
Gambar 3.15 Diagram sequence memberikan rekomendasi pada saat akses berita
37
Gambar 3.22 Diagram aktivitas yang menggambarkan kerja sistem
38
Gambar 3.23 Diagram komponen
39
Gambar 3.24 Diagram deployment
39
Gambar 3.25 Perancangan database untuk sistem rekomendasi
40
Gambar 3.26 Prancangan database untuk sistem rekomendasi (lanjutan)
41
Gambar 3.30 Rancangan halaman untuk rekomendasi
41
Gambar 4.1 Plugin setelah dilakukan instalasi
43
Gambar 4.2 Menunjukkan menu setting pnr untuk pengaturan sistem rekomendasi 44 Gambar 4.3 Halaman bagian pengaturan pengambilan berita rekomendasi
44
Universitas sumatera utara
xii
Gambar 4.4 Halaman bagian pengaturan lama sesi aktif untuk pengguna anonim
44
Gambar 4.5 Bagian pengaturan untuk menajemen stopword
45
Gambar 4.6 Halaman untuk pengaturan widget
45
Gambar 4.7 Hasil rekomendasi pada halaman web untuk akses berita
50
Gambar 4.8 Grafik precious dan recall
54
Universitas sumatera utara
