Mei, 2017 TI 14 A STMIK AMIKOM PURWOKERTO TEMU BALIK INFORMASI

Anggota Kelompok Achmad Amar Ramadhan [14.11.0074] Nurul Khusnah [14.11.0075] Ahmad Wildan Sumbogo [14.11.0076] Asqi Maulana Hidayat [14.11.0077] Mafrikha Nur Afitasari [14.11.0078] Dina Septiana [14.11.0084] Faishal Hanif [14.11.0197]

Jurnal Indonesia Judul PEMBANGUNAN SISTEM TEMU BALIK INFORMASI (INFORMATION RETRIEVAL) DALAM PEMILIHAN PEMAIN SEPAK BOLA BERKUALITAS DI INDONESIA BERBASIS ANALISIS SENTIMEN Penulis Wina Witanti, Herry Rahmanto, Faiza Renaldi Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) Yogyakarta, 18-19 Maret 2016

General Idea Pencarian terhadap pemain sepak bola yang berkualitas memerlukan sistem yang mampu merekomendasikan 11 pemain sepak bola terbaik dan data yang digunakan berjumlah 120 artikel serta 70 pemain sepak bola. Pada penelitian ini menggunakan metode Naïve Bayes Classifier dengan beberapa tahapan yaitu Convert Emoticon, Cleansing, Case Folding, Convert Negation, Tokenizing, Stemming.

PEMBAHASAN DAN HASIL Analisis Sistem Berjalan Pelatih Staff Kepelatihan Pemain Sepak Bola Alur kegiatan tersebut dapat dilihat pada Gambar 1 disamping. Mulai Observasi langsung terhadap pemain Data pemain Sepak bola Catat data pemain sepak bola Melihat data statistik dan sejarah pemain Laporan data pemain sepak bola Memantau dari rekaman pertandingan Rekomendasi hasil seleksi secara keseluruhan Membaca informasi pemain dari media Selesai

Rekomendasi 11 pemain berdasarkan hasil analisa sentimen Perancangan Sistem Pada perancangan sistem akan dijelaskan perangkat lunak yang akan dibangun, yaitu sebuah perangkat lunak yang dapat membantu dalam melakukan pemilihan pemain sepak bola yang bertujuan untuk menentukan ke dalam kategori pemain sepak bola berkualitas di Indonesia, Data pemain sepak bola Input (kriteria variabel) Nama Pemain Posisi Naive bayes Classifier Melakukan pencarian terhadap subjek nama pemain sepak bola dengan artikel yang terkait. Menghitung bobot secara keseluruhan berdasarkan sentimen yang ada dalam artikel Membandingkan jumlah total sentimen dari setiap pemain Mengurutkan rating tertinggi sampai rating terendah yang diperoleh pemain dari sentimen yang didapat. Pre-Processing data dengan metode naive bayes classifier Convert Emotion Cleansing Case Folding Convert Negation Tokenizing Stopping Stemming Proses Output Rekomendasi 11 pemain berdasarkan hasil analisa sentimen

Use Case Diagram Use case diagram adalah diagram yang Tambah oemain Kelola Informasi Use case diagram adalah diagram yang menggambarkan fungsi yang dapat dijalankan dalam sebuah sistem terhadap aktor, edit hapus Kelola informasi Tambah kata edit hapus Staff kepelatihan Kelola berita Tambah pesera lihat hapus Proses pencarian informasi Pemilihan pemain pembatalan tandai Line up pemain Proses pembuatan formal pembatalan

DataSet

Perhitungan Nilai Probabilitas Setelah mendapatkan nilai probabilitas kata pada setiap kategori, kemudian hitung nilai probabilitas kategori dengan menggunakan rumus P(Vj) = Jumlah dokumen setiap kategori/total dokumen. Diketahui : Jumlah teks Positif = 5 Jumlah teks Negatif = 0 Jumlah teks = 5 Sehingga didapatkan : P(Positif) = 5/5 = 1 P(Negatif) = 0/5 = 0

Tahap Klasifikasi Naive Bayes Classifier Dari tabel 5 didapat frekuensi kemunculan kata pada dokumen baru. Kemudian hitung nilai probabilitas pada setiap kategori dengan menghitung nilai probabilitas setiap kata.

Perhitungan Dari perhitungan di samping disimpulkan bahwa kategori dari teks uji 1 yaitu termasuk kategori positif, karena nilai probabilitas teks uji 1 pada kategori positif (3,184*10-9) lebih besar dari nilai probabilitas teks pada kategori negatif (1,026*10-8).

Tampilan Program Tampilan halaman login Tampilan form Pemilihan Pemain Tampilan form Line Up Pemain

Tampilan hasil dari Pemilihan Pemain Tampilan hasil dari Line Up Pemain

Jurnal Inggris Tittle Design and Implementation of Information Retrieval using Ontology Dr. V. S. Dhaka & Aditi Sharma , 2014. Global Journal of Computer Science and Technology: E Network, Web & Security

General Idea Over the last few years, the World Wide Web (WWW) has become the largest and the most numerous The way communication is admired Dissemination of information. Users often feel Confused and lost in this information is excessive Continues to grow. Therefore, the main need Nowaday is predicting user requirements for Improve usability and approach to create Search adapt to meet user user needs Retention of a website We propose.

To address these critical issues of information retrieval, the proposed system is designed. of the request. The semantics of the query is analyzed using the following procedures: • The user's request is first analyzed and syntactically by the analysis. • The synsets related to key words in the query are retrieved . • The keywords of the ontology of domain arecollected to form the refined query.

The low-level design of our proposed system is demonstrated as follows:

High Level Design The three major components of the proposed System are as follows Ontology Construction Refined query formation Ranking of retrieved links Filtering and Ranking of Retrieved Links The collaborative filtering is a universal Web echnology produces the personalized suggestion.

Results a) Parsing of The Input Query The query given by the user is parsed by m n sea of query parser and the output is:

b) Retrieval of Synsets from Wordnet Now the related synsets for the words present in the query are retrieved from the wordnet.

c) Extraction of Domain Keywords from Ontology: The domain keywords that are semantically related to the words in the query are extracted from ontology.

d) Web Links Retrieved: i. User Query:

ii. With Refined Query

Summary and Conclusion The design and implementation of the proposed approach using Dynamic User profile and Ontology. The experiments designed are first discussed, followed by the experiment frame work and environment. The overview of the proposed system. In addition ,it gives details of the query parser tool and implemented for query expansion using ontology and re- ranking of documents with using user profile. Evaluation of Context aware applications is quite difficult as they depend on context. The contexts or situations of interest depends on user to user and can’t be generalized.

Referencee Witanto Wina, Herry Rahmanto dan Faiza Renaldi (2016)."Pembangunan Sistem Temu Balik Informasi(Information Retrieval) Dalam Pemilihan Pemain Sepak Bola Berkualitas di Indonesia Berbasis Analisis Sentimen". Seminar Nasional Teknologi Informasi dan Komunikasi 2016(SENTIKA 2016). Dr. V. S. Dhaka & Aditi Sharma , 2014.”Design and Implementation of Information Retrieval using Ontology.” Global Journal of Computer Science and Technology: E Network, Web & Security