SISTEM PENDUKUNG KEPUTUSAN UNTUK MENGEVALUASI KREDIBILITAS WEB. Sri Primaini Agustanti

3 SISTEM PENDUKUNG KEPUTUSAN UNTUK MENGEVALUASI KREDIBILITAS WEB

Sri Primaini Agustanti

Volume 5 : Nomor : 1 Edisi : Oktober 2016 – Maret 2017

ISSN 2303-5786

SISTEM PENDUKUNG KEPUTUSAN UNTUK MENGEVALUASI KREDIBILITAS WEB

Sri Primaini Agustanti AMIK Sigma Palembang Email: [email protected]

ABSTRAK Kredibilitas Web menunjukkan integritas serta apakah informasi yang ada di dalam Web tersebut dapat dipercaya atau tidak. Diperlukan sistem pendukung keputusan untuk mengevaluasi kredibilitas Web (Web evaluation credibility systems, WECS). Sistem evaluasi kredibilitas Web akan memberi rekomendasi kepada pengguna untuk memberi nilai (rating) kredibilitas terhadap Web yang dikunjungi, mendeteksi pengguna palsu yang memberikan rating palsu, memberikan reputasi kepada pengguna untuk menandai apakah ini pengguna normal atau pengguna palsu. Untuk menentukan kredibilitas Web dilakukan faktorisasi matriks (matrix factorization, MF) dan Latent Dirichlet Allocation (LDA), deteksi pengguna jahat dilakukan dengan cara melihat konsistensi rating Web yang ada dengan yang diberikan oleh pengguna tersebut, reputasi diberikan kepada pengguna yang aktif memberi rating terhadap Web Kata kunci: kredibilitas Web, rekomendasi, reputasi

1.

PENDAHULUAN

Internet merupakan sumber informasi yang sering digunakan dalam kehidupan masyarakat sehari-hari. Sejumlah besar informasi diunggah ke Web, mulai dari bacaan ringan seperti informasi produk, hingga bacaan serius seperti informasi medis. Tidak seperti media tradisional seperti televisi dan koran, sumber informasi dari Internet, yang disajikan di situs-situs dalam bentuk Web, terkadang dihadirkan tanpa melalui verfikasi dari sumbernya. Pengguna secara bebas dapat memperoleh dan mempublikasikan informasi di situs Web. Hal ini dapat menimbulkan masalah serius jika informasi yang tidak kredibel tersebut digunakan untuk mengambil keputusan. Menurut Fogg (2003), informasi yang kredibel didefinisikan sebagai informasi yang dapat dipercaya. Jika Web menyajikan informasi yang kredibel maka disebut sebagai Web yang kredibel (Schwarz, 2011).

18

JURNAL SIGMATA | LPPM AMIK SIGMA

Diperlukan cara untuk mengetahui ukuran kredibilitas Web. MyWOT (www.mywot.com) adalah salah satu sistem yang digunakan untuk mengukur kredibilitas Web. Pada umumnya tingkat kredibilitas Web diketahui dengan cara meminta pengunjung Web secara sukarela memberikan peringkat (rating) pada Web tersebut (Liu, 2015). Teknik ini secara pasif meminta pengguna untuk memberikan peringkat, pada kenyataannya tidak banyak pengguna yang memberikan peringkat pada Web yang dikunjunginya. Sejauh ini cara yang digunakan dengan meminta pengguna untuk memberikan peringkat cukup menjanjikan, tetapi pada kenyataannya tidak banyak pengguna yang secara sukarela mau memberikan peringkat untuk Web yang diaksesnya. Ada dua persoalan yang dihadapi dengan teknik ini (Liu, 2015). Pertama begitu banyak Web, tetapi hanya 42.67% yang dapat diliput


oleh MyWOT, sebagian besar yang terliput memiliki rating yang rendah, artinya tingkat kepercayaan kredibilitasnya rendah. Kedua, pengguna jahat (malicious user) dapat memberikan peringkat palsu untuk merusak konten Web tertentu. Untuk menyelesaikan kedua persoalan tersebut diperlukan sebuah sistem yang mengintegrasikan fungsionalitas untuk (1) menarik pengguna agar memberikan peringkat, (2) melawan pengguna jahat, sehingga diperoleh sistem penilai kredibilitas yang lebih kuat (Liu, 2015). Sistem peniliai kredibilitas ini akan berperan sebagai sebuah Sistem Pendukung Keputusan (SPK) untuk menentukan kredibilitas sebuah Web. Untuk mencapai tujuan (1), dapat diselesaikan dengan Faktorisasi Matriks (Matrix Factorization, MF) dan Latent Dirichlet Allocation (LDA), sedangkan tujuan (2) dapat diselesaikan dengan mekanisme bertahan (Liu, 2015).

ISSN 2303-5786

penilaian. SPK hanya digunakan sebagai alat bantu untuk memperluas kemampuan, bukan menggantikan peran pengambil keputusan. SPK digunakan terutama untuk keputusankeputusan yang memerlukan penilaian atau pada keputusan-keputusan yang sama sekali tidak dapat didukung oleh algoritma. SPK terdiri dari sub sistem manajemen data, subsistem manajemen model dan subsistem antarmuka pengguna (Turban, 2005). Jika diperlukan SPK dapat dilengkapi dengan subsistem manajemen basis pengetahuan. Gambar 1.

Pengelolaan Basis Data

Pengelolaan Model

Pengelolaan Antar Muka Pengguna

Berdasarkan uraian di atas, maka dapat dirumuskan permasalahan sebagai berikut: Pengguna





2.

Bagaimana membangun SPK Penilai Kredibilitas Web yang dapat menarik pengguna untuk memberikan peringkat, menggunakan Faktorisasi Matriks (Matrix Factorization, MF) dan Latent Dirichlet Allocation (LDA) Bagaimana membangun SPK Penilai Kredibilitas Web berbasis mekanisme bertahan. TINJAUAN PUSTAKA

2.1. Sistem Pendukung Keputusan Sistem Pendukung Keputusan (SPK) adalah sistem yang digunakan untuk mendukung dan membantu proses pengambilan keputusan pada kondisi semi terstruktur dan tidak terstruktur (Turban, 2005). Pada dasarnya konsep SPK hanyalah sebatas pada kegiatan membantu melakukan

Gambar 1. Komponen SPK 2.2 Kredibilitas Web Yamamoto (2011), mengidentifikasi bahwa kredibilitas Web dipengaruhi oleh persepsi pengguna, dengan mempertimbangkan fiturfitur seperti tampilan visual, popularitas halaman web, jenis domain, nilai PageRank Web tersebut. Hal-hal ini dapat meningkatkan nilai kredibilitas Web.Secara umum, kredibilitas informasi sering dianggap sebagai kualitas objektif, seperti keaslian dan ketepatan informasi. Tetapi penelitian menunjukkan bahwa kredibilitas informasi adalah kualitas subjektif, dan interpretasinya ditentukan oleh penerima dan informasi (Schwarz, 2011)


19


MyWOT salah satu contoh sistem evaluasi kredibilitas Web (Web Credibility Evaluation System, WCES) yang secara praktis memiliki dampak ekonomi bagi penyedia konten. Dengan MyWOT semua domain menerima peringkat kredibilitas, kemudian peringkat ini digunakan oleh penjelajah Web (Web browser) untuk ditampilkan pada hasil pencarian oleh Google. Domain yang peringkatnya rendah secara signifikan akan menurunkan trafik, walaupun Google memberi peringkat tinggi pada Web tersebut. Pihak tertentu akan mendapat insentif dengan cara jahat menurunkan peringkat kredibilitas pesaingnya. Hal ini dapat dilakukan secara sederhana, misalnya dengan spamming sistem secara otomatis dengan memberikan peringkat kredibilitas negatif (Liu, 2015).

dalam WECS. Model rekomendasi akan dibangun dengan MF, dengan tahapan sebagai berikut (Adomavicius, 2005): 1.

Buat matriks MP yang mencatat interaksi antara pengguna dengan konten Web. Elemen mpu,c = 1 jika pengguna memberi nilai (rating) terhadap konten Web c, jika tidak maka mpu,c = 0.

2.

Kemudian aplikasikan faktorisasi MP pada matriks UP dan matriks VP. Untuk setiap pengguna u dengan vektor faktor latent UUP dan untuk setiap konten Web c dengan vektor laten VCP dapat diperoleh secara iteratif pada elemen matriks dengan melakukan derivasi gradient stokastik (SGD) (Liu, 2015) Upu ←Upu −γ ∂L/Upu Vpc ←Vpc −γ ∂L/Vpc

Sistem rekomendasi banyak digunakan pada web komersial seperti e-commerce dan jaringan sosial daring. Sistem rekomendasi tradisional bekerja dengan cara collaborative filtering, yang memprediksi ketertarikan pengguna melalui pengambilan informasi peringkat dari pengguna lain yang mirip (Adomavicius, 2005). Faktorisasi matriks (MF) terbukti merupakan metode yang paling efektif untuk memprediksi peringkat (Koren, 2009).

Model Rekomendasi Sasaran model rekomendasi adalah merekomendasi pengguna untuk memberi rating sehingga akan meningkatkan cakupan sistem. Jika diketahui himpunan Web, P = {p1, p2, ...}. Masing-masing konten Web dengan rating kredibilitas dalam rentang L = {l1, l2, ...li} U l0, dimana l0 menunjukkan himpunan pengguna yang berpartisipasi di dalam WECS. U = {u1, u2, ...} menyatakan himpunan pengguna yang berpartisipasi di

20


(1) (2)

γ adalah nilai pembelajaran (learnng rate). Persamaan (1) and (2) menunjukkan bagaimana derivasi gradient dilakukan dengan memperhatikan Up dan VP. ∂L/Upu = eu;cVpu−λUpu

(3)

∂L/Vpc = eu;cUpu−λVpc

(4)

Dimana eu,c adalah agregasi perbedaan antara nilai yang diprediksi dengan nilai yang sesungguhnya

2.3 Integrasi Fungsionalitas Integrasi fungsionalitas menggabungkan sub sistem rekomendasi dan sub sistem perlawanan terhadap pengguna jahat.

ISSN 2303-5786

3.

Probabilitas interaksi antara pengguna u dengan kontent Web c dapat diprediksi sebagai berikut: mpu;c = (UPU)T VPC Untuk pengguna u, dibuat daftar Web yang informasi kredibilitasnya sedikit dan belum diberi nilai oleh pengguna u, terurut dari besar ke kecil berdasarkan probabilitaas yang dipredikisi dan termasuk dalam rekomendasi Web dengan ranking top-K.


Model Mekanisme Pertahanan Terhadap Pengguna Jahat Selain merekomendasikan pengguna untuk memberi penilaian (rating) terhadap Web yang dikunjungi, fungsi sistem ini juga disiapkan untuk bertahan terhadap pengguna jahat. Teknik yang digunakan adalah mekanisme bertahan dengan cara menganalisis tanggapan pengguna yang terhadap rekomendasi. Untuk membangun reputasi tinggi secara cepat, pengguna jahat memberi rating palsu secara masif terhadap Web. Kasus ini menjadi penanda adanya pengguna jahat yang memberi penilaian (rating) palsu (Liu, 2015). Untuk pengguna u, maka vektor Web yang sudah direkomendasikan oleh user adalah Pru = {p1, p2, ...}, dan rating palsu Lf = {lf1, lf2,...} dan rating yang sesungguhnya L u = {lu1, lu2,...}. Jika rating pengguna normal L ui konsisten dengan rating pengguna palsu Lfi, jika ∆Li = |Lui – Lfi| lebih kecil atau sama dengan rating yang sudah terdefinisi sebelumnya. Indikator konsistensi rating: Θ u = { Θu, Θu,...}, dimana Θu = 1, berarti rating tersebut konsisten, sebaliknya jika Θu = 0 berarti rating palsu (Liu, 2015). Distribusi Beta, yang umum digunakan untuk memodelkan ketidakpastian peristiwa acak, digunakan untuk menyimpulkan probablitas bahwa pengguna u melakukan perilaku jahat. Jika probabilitas tingkah laku jahat lebih besar dari asumsi, maka pengguna tersebut dipertimbangkan sebagai pengguna jahat (Liu, 2015). Efektivitas mekanisme pertahanan tersebut tergantung pada kinerja model rekomendasi. Jika pengguna aktif menilai Web yang direkomendasikan, perilakunya dapat dianalisis secara komprehensifdan pengguna jahat dapat terdeteksi. Jika pengguna menolak untuk menilai, tidak mungkin untuk membedakan pengguna jahat dengan pengguna normal. Untuk lebih memotivasi

ISSN 2303-5786

pengguna agar secara aktif menilai konten Web yang direkomendasikan, selain rekomendasi pribadi, juga dirancang sistem reputasi adaptif. Model Reputasi Adaptif Ada dua cara memberi rating terhadap konten Web, (1) Pengguna memilih sendiri Web yang akan diberi rating, sistem tidak terlibat. (2) Pengguna memberi rating terhadap konten Web yang direkomendasikan oleh sistem. Pada cara yang kedua ini, supaya pengguna lebih aktif memberi rating, sistem akan memberi penghargaan (reward) reputasi kepada pengguna yang sudah memberi rating. Penghargaan ini menentukan reputasi pengguna. Dengan prinsip ini, ada tiga skenario penghargaan reputasi yang berbeda (Liu, 2015). Jika pengguna memilih sendiri Web yang akan diberi rating, dan Web tersebut belum memiliki rating, maka pengguna tersebut diberi penghargaan reputasi Rs0 Jika pengguna memilih sendiri Web yang akan diberi rating, dan Web tersebut sudah memiliki rating, maka pengguna tersebut diberi penghargaan reputasi Rs1. Jika pengguna memberi rating terhadap Web yang direkomendasikan oleh sistem, maka pengguna tersebut diberi penghargaan reputasi Rr. Jika Web hanya memiliki sedikit informasi kredibilitas, maka peringkat menjadi sangat berharga, sehingga Rs0 >> Rs1. Pada sistem rekomendasi Web ada dua tujuan, yaitu mendorong pengguna untuk memberi rating dan mendeteksi pengguna jahat, maka Rr diatur untuk lebih besar dari Rs0. Contoh distribusi nilai reputasi Rs0 = 10, Rs1 = 0,1 dan Rr = 20. Nilai reputasi tidak hanya meningkat tapi juga dapat menurun. Jika sistem mendeteksi ada pengguna yang memberikan rating palsu,


21


maka nilai reputasi akan menurun. Reputasi memberikan keistimewaan kepada pengguna, misalnya sebagai pemimpin di dalam komunitas. 3. USULAN MODEL SISTEM Seperti sudah dinyatakan pada bagian Pendahuluan, bahwa ada dua persoalan pada sistem evaluasi kredibilitas Web (Web Evaluation Credibility System, WECS) yaitu menarik pengguna agar memberikan rating pada Web yang dikunjunginya, serta melawan pengguna palsu. Untuk memperoleh WECS yang lebih kuat, maka diusulkan agar WECS yang akan dibangun: (1) Menggabung sub sistem yang menarik pengguna untuk memberikan rating dan sub sistem melawan pengguna jahat. Sistem dirancang sebagai sistem yang independen, bukan merupakan bagian dari sistem yang lain, seperti mesin pencari (2) Dengan kombinasi MF dan LDA, akan dibangun model rekomendasi personal untuk memotivasi pengguna memberikan rating ke lebih banyak Web. (3) Untuk melawan pengguna palsu, digunakan mekanisme bertahan. Sistem merekomendasikan sejumlah halaman Web yang memiliki rating kredibilitas palsu kepada pengguna, kemudian menganalisis tingkah laku rating yang diberikannya. Digunakan distribusi Beta untuk memodelkan probabilitas tingkah laku pengguna palsu.

3.1 Arsitektur Sistem Rekomendasi WECS bertindak sebagai repositori pengetahuan yang menyediakan penilaian kredibilitas dari konten Web yang diminta. Pengguna melakukan jelajah (browse) konten Web dan memberi penilaian kredibilitas (jika ingin) berdasarkan penilaian pribadinya, kemudian penilaian tersebut dikirim ke sistem sebagai kontribusi bagi kredibilitas akhir Web. Dimungkinkan pengguna juga memerlukan atau meminta (query) rating dari Web tertentu untuk pengambilan keputusan. Sistem memroses permintaan ini melalui query engine dengan cara memeriksa penyimpan informasi kredibilitas dan mengirimkan hasilnya ke pengguna (bila ada). Sistem reputasi digunakan untuk menilai reliabilitas pengguna berdasarkan tingkah laku rating-nya di masa lalu. Makin tinggi reputasi pengguna maka akan makin dampak penilaian kredibilitas yang diberikan terhadap Web (Liu, 2015). Gambar 2 menunjukkan model sistem yang diusulkan oleh Liu. Jadi semua aktivitas pengguna, baik memberi rating terhadap Web tertentu atau meminta informasi tentang Web tertentu akan mempengaruhi kredibilitas Web yang dikunjunginya.

Sistem Reputasi

Mesin Perhitungan Kredibilitas

Mesin Query

Mesin Rekomendasi Antarmuka Rekomendasi

Antarmuka Query

(4) Efektivitas fungsionalitas sistem rekomendasi dapat ditingkatkan dengan merancang sistem reputasi, sistem ini akan memberi penghargaan kepada pengguna yang memberi penilaian (rating) terhadap konten Web yang direkomendasikan. Model sistem tersebut tergambar di dalam arsitektur sistem pada Gambar 2.

22


ISSN 2303-5786

Submit Penilaian atau Query Rekomendasi Sistem Penilaian

Pengguna

Gambar 2. Model Sistem Evaluasi Kredibilitas Web Dengan Fungsionalitas Rekomendasi


3.2 Arsitektur Sistem Pertahanan Berdasarkan Rekomendasi

KESIMPULAN DAN SARAN

Gambar 3 menunjukkan bagaimana pengguna jahat dan pengguna normal memberikan reaksi terhadap rekomendasi. Diasumsi Web yang direkomendasikan sudah memiliki informasi kredibilitas yang layak. Tetapi sistem masih meminta pengguna untuk memberi rating palsu agar rating yang ada dapat dipercaya. Misalkan Web sudah memiliki 4-bintang, tetapi sistem menampilkan 2-bintang kepada penggunapengguna tertentu. Ide dasar dari manipulasi penilaian (rating) adalah untuk menarik pengguna palsu untuk meniru dan menyalin peringkat palsu, yang dapat digunakan sebagai bukti untuk deteksi serangan. Jika pengguna normal memutuskan untuk memberi rating pada Web yang direkomendasikan, maka biasanya rating yang diberikan tidak berbeda dari rating yang sesungguhnya. Sebaliknya pengguna palsu hanya akan membuat salinan (copy) dari rating yang tampil, tanpa secara sungguhsungguh memberi rating yang sebenarnya. Dengan membandingkan rating palsu dengan rating yang sesungguhnya, dapat diperkirakan tingkah laku pengguna palsu. Penilaian yang sesungguhnya Penilaian yang terlihat (palsu)

**** **

Rekomendasi

Rekomendasi

Pengguna Jahat

Pengguna Normal

Beri Nilai?

Salin

Asesmen aktual

**

Tulisan ini memberikan usulan untuk membangun sistem untuk menilai kredibilitas Web dengan cara mengintegrasikan fungsi rekomendasi untuk menarik pengguna memberikan rating pada Web dan fungsi untuk mendeteksi pengguna jahat yang memberikan rating palsu pada Web berdasarkan fungsi rekomendasi. Sehingga diperoleh sistem evaluasi kredibilitas Web yang lebih kuat. Dengan menggabungkan MF dan LDA, untuk menarik lebih banyak pengguna memberi rating terhadap konten Web sekaligus mencegah rating yang diberikan oleh pengguna jahat. Agar sistem evaluasi kredibilitas Web ini memberikan keluaran yang lebih presisi, tidak hanya menilai rating yang diberikan oleh pengguna, tetapi dipertimbangkan juga profile pengguna, konteks informasi yang diakses dan informasi lain yang berkaitan dengan pengguna.

DAFTAR PUSTAKA Adomavicius, Gediminas and Tuzhilin, Alexander, 2005, Toward the Next Generation of Recommender System: A Survey of the State-of-the-Art and Possible Extensions, IEEE Transaction Knowledge Data Engineering, Vol 17, No. 6, June 2005, pp 734 – 749

Web

Beri Nilai?

ISSN 2303-5786

****

Gambar 2. Pertahanan Berdasarkan Rekomendasi

Fogg, BJ, 2003, Persuasive Technology Using Computer to Change What We Think and Do, 1st Edition, Elsevier Josang, Audun, Ismail, Roslan, and Boyd Colin, A Survey of Trust and Reputation Systems for Online Service Provision, Decision Support Systems Vol. 43, 2007, pp. 618 - 644 Koren, Yehuda, Bell, Robert and Volinsky, Chris, 2009 Matrix Factorization Techniques for Recommender Systems, Computer, August 2009, pp 42 – 49


23


Liu, Xin, Nielek, Radoslaw, Adamska, Paulina, and Aberer Karl, 2015, Towards a Highly Effective and Robust Web Credibility Evaluation System, Decision Support Systems Vol. 70, 2015, pp, 99 – 108 Schwarz, Julia, and Morris, Meredith Ringel, Augmenting Web Page and Search Result to Support Credibility Assesment, 2011, Proceeding of ACM CHI, 2011, pp. 1245 1254

24


ISSN 2303-5786

SISTEM PENDUKUNG KEPUTUSAN UNTUK MENGEVALUASI KREDIBILITAS WEB. Sri Primaini Agustanti

Recommend Documents