ICON.
Vol.
9 No.
Oktober 2021, pp.
DOI: 10.
35508/jicon.
PEMBANGKIT ENTITY RELATIONSHIP DIAGRAM DARI SPESIFIKASI
KEBUTUHAN MENGGUNAKAN NATURAL LANGUAGE PROCESSING UNTUK
BAHASA INDONESIA
Parmonangan R Togatorop1.
Rezky Prayitno Simanjuntak2.
Siti Berliana Manurung3
dan Mega Christy Silalahi4
1,2,3,4
Program Studi Sistem Informasi.
Institut Teknologi Del.
Jl.
Sisingamangaraja.
Sitoluama Laguboti.
Toba Samosir Sumatera Utara.
Indonesia Email:mona.
togatorop@del.
Email: rezkys1999@gmail.
Email:sitiberlianamanurung@gmail.
Email:christysilalahi05@gmail.
ABSTRAK
Memodelkan Entity Relationship Diagram (ERD) dapat dilakukan secara manual, namun umumnya memperoleh pemodelan ERD secara manual membutuhkan waktu yang lama.
Maka, dibutuhkan pembangkit ERD dari spesifikasi kebutuhan untuk mempermudah dalam melakukan pemodelan ERD.
Penelitian ini bertujuan untuk mengembangkan sebuah sistem pembangkit ERD dari spesifikasi kebutuhan dalam Bahasa Indonesia dengan menerapkan beberapa tahapan-tahapan dari Natural Language Processing (NLP) sesuai kebutuhan penelitian.
Spesifikasi kebutuhan yang digunakan tim peneliti menggunakan teknik document analysis.
Untuk tahapan-tahapan dari NLP yang digunakan oleh peneliti yaitu: case folding, sentence segmentation, tokenization.
POS tagging, chunking dan parsing.
Kemudian peneliti melakukan identifikasi terhadap kata-kata dari teks yang sudah diproses pada tahapan-tahapan dari NLP dengan metode rule-based untuk menemukan daftar kata-kata yang memenuhi dalam komponen ERD seperti: entitas, atribut, primary key dan relasi.
ERD kemudian digambarkan menggunakan Graphviz berdasarkan komponen ERD yang telah diperoleh Evaluasi hasil ERD yang berhasil dibangkitkan kemudian di evaluasi menggunakan metode evaluasi expert judgement.
Dari hasil evaluasi berdasarkan beberapa studi kasus diperoleh hasil rata-rata precision, recall.
F1 score berturut-turut dari tiap ahli yaitu:
pada ahli 1 diperoleh 91%, 90%, 90%.
pada ahli 2 diperoleh 90%, 90%, 90%.
pada ahli 3 diperoleh 98%, 94%, 96%.
pada ahli 4 diperoleh 93%, 93%, 93%.
dan pada ahli 5 diperoleh 98%, 83%, 90%.
Kata kunci: Entity Relationship Diagram.
Natural Language Processing.
Document Analysis.
Graphviz.
Expert Judgement.
ABSTRACT
Modeling an ERD can be done manually, but generally obtaining an Entity Relationship (ER) Diagram modeling manually will usually take a long time.
So, it takes an ERD generator automation from the requirements specification to make it easier to do ERD modeling.
This study will develop a system that produces ERD from requirements specifications in Indonesian by applying several stages of Natural Language Processing (NLP) according to needs research.
The requirements specification used by the research team used technical document analysis.
The stages of NLP used by the research team are: case folding, sentence segmentation, tokenization.
POS tagging, chunking and parsing.
Then the research team will conduct the words from the text that have been studied in the stages of NLP with the Rule-Based method to find a list of words that meet the ERD components such as: entities, attributes, primary keys and The research team will describe the results obtained in the previous stage using the Graphviz From the results of the evaluation of the ERD system design, the research team used an expert evaluation evaluation.
From the evaluation results obtained based on the evaluation of several cases, the results of the average precision, recall, and F1 scores from each expert are: 91%, 90%, 90% in expert 1.
expert 2 obtained 90%, 90%, 90%.
in expert 3 obtained 98%, 94%, 96%.
in expert 4 obtained 93%, 93%, and in expert 5 obtained 98%, 83%, 90%.
Keywords: Entity Relationship Diagram.
Natural Language Processing.
Document Analysis.
Graphviz.
Expert Judgement.
ISSN: 2337-7631 .
ISSN: 2654-4091 (Onlin.
ICON.
Vol.
9 No.
Oktober 2021, pp.
DOI: 10.
35508/jicon.
PENDAHULUAN
Entity Relationship Diagram (ERD) merupakan sebuah model konseptual tingkat tinggi basis data untuk mendeskripsikan sebuah sistem maupun batasannya .
Pemodelan ERD dapat dilakukan secara manual, namun pemodelan ERD secara manual biasanya akan memakan waktu yang lama, pada tahap analisis kebutuhan .
Oleh karena itu dibutuhkan proses untuk membangkitkan ERD dari spesifikasi kebutuhan .
Spesifikasi kebutuhan adalah salah satu hasil proses requirement engineering.
Requirement engineering adalah proses mendefinisikan, mendokumentasikan dan memelihara persyaratan dalam proses desain dan dianggap sebagai faktor keberhasilan dalam proyek sistem perangkat lunak.
Saat ini sudah ada sistem yang dapat membangkitkan ERD dari spesifikasi kebutuhan dengan menerapkan Natural Language Processing (NLP) yang dapat mempermudah pemodelan ERD bagi system analyst, database administrator, dan tim pengembang perangkat lunak lainya karena pembangkit ERD dapat menggambarkan ERD berdasarkan spesifikasi kebutuhan .
Penelitian .
menghasilkan ERD dari spesifikasi kebutuhan menggunakan NLP pada Bahasa Inggris pelabelan kelas kata menggunakan Part of Speech (POS) Tagging, chunking dan parsing.
Penelitian .
menghasilkan ERD dari spesifikasi pada Bahasa Inggris pada satu domain dengan melakukan tahapan pembangkitan ERD menggunakan NLP dengan tahapan text preprocessing.
POS tagging, dan SVM classifier.
Penelitian .
menghasilkan ERD dari spesifikasi kebutuhan menggunakan NLP pada Bahasa Inggris menggunakan rule-based mapping untuk menghasilkan ERD berdasarkan spesifikasi kebutuhan dalam bahasa Inggris.
Langkah-langkah yang dilakukan adalah pengolahan kata .
ext preprocessin.
, pelabelan kelas kata menggunakan POS tagging, chunking dan parsing.
Penelitian tersebut menghasilkan ERD dari spesifikasi kebutuhan untuk Bahasa Inggris.
Tetapi, penelitian terkait pembangkit ERD dari spesifikasi kebutuhan dalam Bahasa Indonesia belum ada.
Bahasa Indonesia merupakan bahasa kesatuan rakyat Indonesia dan termasuk bahasa yang paling banyak dituturkan.
Hal ini didukung dari hasil sensus penduduk pada tahun 2010 yang diterbitkan oleh Badan Pusat Statistik (BPS) yang menunjukkan jumlah penduduk Indonesia sebesar 237.
326 jiwa dengan jumlah penutur Bahasa Indonesia lebih dari 43 juta jiwa sebagai bahasa ibu dan lebih dari 156 juta penutur Bahasa Indonesia sebagai bahasa kedua .
Oleh karena itu penelitian ini bertujuan untuk menghasilkan sebuah pembangkit ERD yang berasal dari spesifikasi kebutuhan menggunakan Bahasa Indonesia menggunakan pendekatan berbasis NLP.
MATERI DAN METODE
Entity Relationship Diagram Entity Relationship Diagram (ERD) adalah sebuah diagram struktural yang digunakan untuk merancang sebuah basis data .
ERD akan mendeskripsikan data yang disimpan pada sebuah sistem maupun batasannya.
ERD memiliki tiga konsep utama yaitu .
Entitas Sebuah entitas dapat berupa orang, tempat, objek, atau kejadian yang dapat dianggap penting bagi sebuah organisasi atau perusahaan.
Setiap entitas memiliki beberapa atribut yang mendeskripsikan karakteristik dari objek.
Atribut yang ada dalam entitas harus disimpan dan dicatat dalam basis data .
Entitas pada komponen ERD dapat dibedakan menjadi dua macam yaitu strong entity dan weak entity.
Strong entity merupakan entitas yang tidak bergantung pada entitas lain atau entitas yang dapat berdiri sendiri.
Sedangkan untuk weak entity merupakan entitas yang keberadaannya tergantung pada entitas lain.
Atribut Setiap entitas memiliki karakteristik tertentu yang disebut dengan atribut.
Atribut berfungsi untuk mendeskripsikan karakteristik yang ada pada entitas yang disimpan dalam basis data .
Berdasarkan karakteristik sifatnya, atribut dapat dibedakan menjadi beberapa jenis .
yaitu simple attribute dan composite attribute, single valued attribute dan multi value attribute, derived attribute, key attribute.
Primary key adalah nama untuk atribut yang digunakan dalam mengenali suatu entitas.
Atribut dalam entitas yang merupakan primary key adalah kode identifikasi yang bersifat unik ditunjukkan berdasarkan masing-masing record pada sistem.
Primary key bertujuan untuk memberitahu lokasi untuk tiap catatan pada suatu file tentang catatan-catatan yang sama .
Relasi Relasi adalah sebuah hubungan antara dua atau lebih entitas yang saling berkaitan .
Relasi pada ERD dapat digambarkan dengan menggunakan simbol belah ketupat .
Relasi memiliki beberapa jenis relasi yaitu unary, binary, ternary.
Pemodelan ERD menggunakan notasi entitas berbentuk persegi, relasi berbentuk belah ketupat dan atribut berbentuk oval seperti Gambar 1 .
ISSN:2337-7631 .
ISSN: 2654-4091 (Onlin.
ICON.
Vol.
9 No.
Oktober 2021, pp.
DOI: 10.
35508/jicon.
Gambar 1.
Bentuk entitas, relasi dan atribut dalam ERD Kerangka Kerja Penelitian Pada bagian ini, kami menyajikan kerangka kerja atau prosedur kami dengan pendekatan NLP.
Gambar 2 menunjukkan gambaran umum dan langkah-langkah yang diikuti untuk menghasilkan Diagram ER.
Gambar 2.
Kerangka kerja penelitian Kerangka kerja penelitian pada gambar 2 terdiri dari beberapa tahapan.
Tahapan pertama yang dilakukan yaitu menganalisis kebutuhan yang akan digunakan pada penelitian seperti data, proses yang akan diimplementasikan untuk mencapai tujuan penelitian.
Tahapan selanjutnya adalah merancang proses yang diperlukan berdasarkan analisis kebutuhan untuk dapat diimplementasikan menjadi sebuah program.
Rancangan yang dihasilkan dapat berupa flowchart maupun diagram.
Selanjutnya akan dilakukan tahapan implementasi dengan menggunakan bahasa pemrograman python dan javascript.
Kemudian hasil implementasi dievaluasi untuk mengetahui apakah rancangan ERD yang dihasilkan oleh sistem sudah sesuai dengan masukan yang diberikan.
Data Penelitian ini mengunakan teknik analisis dokumen untuk mengumpulkan data.
Analisis dokumen adalah teknik pengumpulan data dengan mengumpulkan dokumen dari lembaga resmi seperti buku, jurnal, artikel, situs web dan sebagainya.
Dalam penelitian ini, bahasa yang digunakan dalam teknik pengumpulan analisis dokumen adalah spesifikasi kebutuhan pada proses pengumpulan kebutuhan dalam bahasa Indonesia.
Studi kasus yang digunakan dalam penelitian ini disimpan dalam format txt, yang berisi teks spesifikasi kebutuhan.
Studi Kasus 1: Pada saat mendaftar menjadi anggota perpustakaan fakultas, mahasiswa mencatat nama, nomor mahasiswa dan alamat mahasiswa.
Setelah itu mereka baru bisa meminjam buku Buku-buku yang dimiliki perpustakaan banyak sekali jumlahnya.
Tiap buku memiliki data nomor buku, judul, pengarang, penerbit, tahun terbit.
Satu buku bisa ditulis oleh beberapa pengarang.
Seorang mahasiswa boleh meminjam beberapa buku.
Satu buku boleh dipinjam beberapa mahasiswa.
Semua mahasiswa sangat perlu buku sehingga tidak ada yang tidak pernah meminjam ke perpustakaan.
Ada buku yang sangat laris dipinjam mahasiswa, namun ada pula buku yang tidak pernah dipinjam sama Satu buku dapat memiliki beberapa copy, namun untuk copy yang sama memiliki satu nomor buku.
Setiap peminjamannya.
Semua mahasiswa disiplin mengembalikan buku tepat satu minggu setelah Rancangan Pembangkit ERD Rancangan pembangkit ERD dapat dilihat pada gambar 3.
Tahapan dimulai dengan memasukkan spesifikasi kebutuhan teks Bahasa Indonesia kemudian melakukan text preprocessing yaitu case folding, sentence segmentation dan tokenization.
Tahap selanjutnya adalah melakukan proses POS tagging untuk ISSN:2337-7631 .
ISSN: 2654-4091 (Onlin.
ICON.
Vol.
9 No.
Oktober 2021, pp.
DOI: 10.
35508/jicon.
melabeli setiap kelas kata, chunking, dan mendeteksi komponen ERD yaitu entitas, atribut, primary key dan Setelah mendeteksi komponen Diagram ER, kemudian membuat gambar rancangan ERD.
Gambar 3.
Proses pembangkit ERD Text Preprocessing Text preprocessing merupakan sebuah tahapan yang dilakukan untuk mengubah teks yang belum terstruktur menjadi teks yang sudah terstruktur dan sesuai dengan kebutuhan.
Tahapan text preprocessing pada penelitian ini dapat dilihat pada Gambar 4.
Proses pertama yang dilakukan pada text preprocessing yaitu case folding digunakan untuk mengubah semua huruf pada file teks menjadi huruf kecil .
Case folding dilakukan agar file teks yang dimasukkan dapat dideteksi atau diproses oleh sistem, jika ada kalimat yang memiliki huruf kapital maka sistem tidak dapat mendeteksi dan memproses file teks Case folding merupakan tahap awal dalam proses pra-pemprosesan teks.
Kemudian dilakukan proses sentence segmentation untuk memecah sebuah teks menjadi kalimat-kalimat agar lebih mudah untuk mengolah teks atau paragraf menjadi bagian-bagian yang lebih kecil .
Sentence segmentation membagi teks menjadi kalimat berdasarkan akhiran umum dalam kalimat, yaitu tanda baca titik (.
), tanda seru (!), dan tanda tanya (?).
Terakhir dilakukan tokenization untuk membagi kalimat menjadi potongan-potongan kecil atau yang disebut dengan kata atau token.
Tokenization juga akan mengidentifikasi kata dan angka dalam setiap kalimat .
Dalam tokenization diperlukan pemisah kata agar tidak menimbulkan disambiguasi karakter tanda baca yang biasanya menggunakan spasi.
Gambar 4.
Text preprocessing POS Tagging POS tagging adalah proses yang dilakukan untuk memberikan suatu label kelas kata untuk setiap kata dalam kalimat .
Hasil dari proses POS tagging adalah teks yang sudah memiliki tag untuk setiap Pada POS tagging memiliki beberapa pendekatan yang dapat digunakan yaitu dengan menggunakan beberapa jenis pendekatan yaitu berdasarkan aturan .
ule base.
, pendekatan probabilistik, dan pendekatan berbasis transformasi .
ransformational base.
Dengan menggunakan pendekatan probabilistik, metode Hidden Markov Model dapat digunakan, karena proses POS tagging dapat dilihat sebagai sebuah proses klasifikasi suatu rangkaian tag pada setiap kata dalam sebuah kalimat .
POS tagging diperlukan untuk mengelompokkan setiap kata terhadap suatu kelas kata, antara lain berupa kata kerja .
, kata benda .
, dan kata sifat .
Pengelompokan setiap kata ke dalam kelas kata bertujuan untuk memudahkan sistem dalam mengidentifikasi entitas, atribut dan relasi.
Dalam penelitian ini tim peneliti menggunakan POS tagger yang ada dengan menggunakan metode Unigram.
Dalam proses POS tagging diperlukan sebuah korpus untuk dilatih menggunakan metode yang digunakan dalam penelitian.
Tim peneliti melakukan studi literatur terhadap beberapa korpus Bahasa Indonesia yang berisi label untuk setiap kata dan berdasarkan hasil studi literatur yang dilakukan peneliti menggunakan tagset Indonesian Manually Tagged.
Pada korpus tersebut terdapat A 300.
000 kata dan banyak digunakan oleh banyak peneliti yang membutuhkan sebuah korpus Bahasa Indonesia dalam penelitiannya.
Namun isi dalam korpus jika dibandingkan dengan jumlah kata pada vocabulary Bahasa Indonesia masih tergolong sedikit sehingga akan berkemungkinan akan terdapat kata yang tidak terdaftar dalam korpus atau biasa disebut dengan out of vocabulary (OOV).
Untuk menangani hal tersebut tim peneliti menggunakan teknik backoff yaitu memberikan tag default yaitu tag AoNNAo untuk menangani OOV tersebut sehingga kata yang tidak terdapat pada korpus dapat ditangani dalam proses POS tagging.
Chunking Chunking adalah proses mengambil unit informasi individu .
dan mengelompokkannya menjadi unit yang lebih besar.
Untuk memecah kalimat menjadi potongan yang lebih besar, setiap potongan sesuai dengan unit sintaksis seperti frasa kata benda/noun phrase (NP) atau kata kerja/verb phrase (VP) .
Pada penelitian ini tim peneliti menggunakan tahapan chunking karena proses ini akan membantu untuk menggabungkan dua kata atau lebih menjadi sebuah frase yang bermakna.
Proses chunking didapatkan dari hasil proses POS tagging.
Pada proses chunking .
hrase chunke.
, kelas kata POS tagger akan diekstraksi menjadi enam level frasa seperti NP.
VP.
Preposition Phrase (PP).
Adverb Phrase (ADVP).
Adjective Phrase (AP), dan Numerical Phrase (NUMP) berdasarkan aturan buatan tangan.
Aturan ISSN:2337-7631 .
ISSN: 2654-4091 (Onlin.
ICON.
Vol.
9 No.
Oktober 2021, pp.
DOI: 10.
35508/jicon.
buatan tangan digunakan di regexpParser untuk memecah kalimat berdasarkan Aturan handmade yang Deteksi Komponen ERD Dalam perancangan ERD terdapat komponen-komponen ERD seperti: entitas, atribut, relasi, dan primary key.
Untuk itu diperlukan suatu proses yang dapat digunakan dalam menentukan komponenkomponen ERD.
Oleh karena itu, proses parsing dilakukan untuk mengidentifikasi bagian-bagian utama dalam kalimat seperti objek, subjek dan sebagainya.
Parsing adalah cara untuk memetakan kalimat menjadi parse tree.
Pada penelitian ini, tim peneliti melakukan parsing dengan menggunakan library Natural Language Toolkit (NLTK).
Library NLTK digunakan untuk melakukan pengolahan bahasa atau parsing dengan mendefinisikan infrastruktur yang dapat digunakan untuk membangun sebuah program Natural Language Processing (NLP) dengan menggunakan python.
Pada proses parsing terdapat beberapa formula yang digunakan yaitu:
SUB PRE | SUB PRE OBJ | SUB PRE PEL | SUB PRE OBJ PEL | SUB PRE KET |
SUB PRE OBJ KET | SUB PRE PEL KET | SUB PRE OBJ PEL KET
SUB
FNOM | PRP | NP | NNP | FNP
PRE
JJ | FVERB | FVB
OBJ
FNOM | FNP | FADVP
PEL
JJ | FADJE | FPREP
KET
FPREP
FNP
FNP
FNOM
NP VB | NP PR | NP PRP | NP NP PR | NP NP | NP JJ | CD NP | NP JJ PR | NNP
NNP | CD CD | CD NND | NND NP | CD NND NP | NP CC NP | FNOM PRP | NNP
CC NNP | NP ADVP | SC PR NP
FVERB
SC VB | MD VB | VB VB | MD RB VB | NEG VB | VB JJ | NP VB | ADVP VB
FADJE
JJ RB | JJ NP | NP JJ| JJ JJ | JJ VB | NEG JJ | RB JJ
FADVP
ADVP NP
IN FPREP |IN NP | IN NP NP | IN NP IN | NP CD NP | NNP NNP | IN NNP | IN CD
NP | PP
Hasil dari proses parsing akan menghasilkan parse tree menggunakan library NLTK, yaitu ChartParser.
Hasil chunking akan digunakan untuk proses parsing.
Hasil parsing digunakan untuk mendeteksi kata-kata yang mungkin berupa entitas, atribut, kunci utama dan relasi.
Pada penelitian ini entitas yang akan di deteksi adalah entitas kuat sedangkan entitas yang lemah tidak dilakukan identifikasi oleh sistem.
Dalam mendeteksi komponen-komponen ERD, peneliti menggunakan aturan atau metode berbasis aturan untuk mendeteksi kata-kata yang kemungkinan menjadi komponen ERD.
Rule based adalah metode dimana aturan-aturan dalam sistem dibuat sendiri berdasarkan pengetahuan linguistik.
Aturan untuk mendeteksi komponen ERD dalam makalah ini adalah sebagai berikut:
Aturan 1: Identifikasi Entitas Kata yang memiliki tag NP atau kelas kata kemungkinan besar merupakan entitas.
Dari hasil parsing kata yang merupakan subjek dan objek yang memiliki tag NP diidentifikasi sebagai entitas.
Aturan 2: Identifikasi Atribut Atribut memiliki tag kata NP tetapi tidak ada dalam entity list, sehingga kemungkinan besar merupakan atribut.
Kata-kata dengan tag NP yang terdapat dalam daftar entitas diikuti oleh VB.
Untuk setiap frase kata benda (NP) yang tidak ada dalam daftar entitas diidentifikasi sebagai atribut.
Aturan 3: Identifikasi Primary Key Atribut setiap entitas yang berisi kata-kata dalam daftar primary key, di mana daftar primary key berisi kata-kata unik .
isalnya: no, id, kod.
diidentifikasi sebagai primary key.
FPREP
ISSN:2337-7631 .
ISSN: 2654-4091 (Onlin.
ICON.
Vol.
9 No.
Oktober 2021, pp.
DOI: 10.
35508/jicon.
Untuk entitas yang tidak memiliki atribut atau memiliki atribut dimana atribut tersebut tidak memenuhi primary key, maka entitas tersebut akan memiliki atribut baru sebagai primary key dengan format nama atribut Auid entity nameAy.
Aturan 4: Identifikasi Relasi Kata-kata yang memiliki tag kata VB berkemungkinan menjadi relasi.
Kata kerja yang menghubungkan dua entitas dalam sebuah kalimat diidentifikasikan sebagai relasi.
Visualisasi ERD Untuk memvisualisasikan komponen ERD yaitu entitas, atribut, relasi dan primary dibutuhkan sebuah tools untuk menggabungkan komponen ERD tersebut agar dapat menghasilkan model ERD dalam bentuk visual atau gambar.
Tools yang digunakan yaitu dengan Graphviz.
Graphviz merupakan perangkat lunak yang berfungsi dalam membuat visualisasi data struktural .
Dalam implementasi Graphviz dapat menghasilkan keluaran dengan berbagai macam format yaitu JPEG.
PNG.
SVG.
GIF dan lainnya.
Format yang menjadi keluaran sistem pembangkit ERD yaitu format PNG.
Evaluasi Confusion matrix adalah sebuah teknik yang digunakan dalam menghitung kinerja atau tingkat kebenaran .
dari proses klasifikasi.
Confusion matrix dapat dibuat dengan sebuah tabel yang mencakup jumlah data uji benar dan jumlah data uji yang salah diklasifikasikan.
Nilai true positive (TP) dan true negative (TN) memberikan informasi ketika classifier dalam melakukan klasifikasi data bernilai benar, sedangkan untuk false positive (FP) dan false negative (FN) memberikan informasi bahwa ketika classifier salah dalam melakukan klasifikasi data.
Terdapat beberapa formula umum yang digunakan untuk menghitung performa klasifikasi, yaitu accuracy, precision, dan recall, specificity, dan F1 score:
Precision adalah perbandingan dari prediksi benar positif dibagi dengan keseluruhan hasil yang diprediksi positif.
Nilai dari precision dapat dilihat pada persamaan 1.
Precision=TP/(TP FP) .
Recall dapat diartikan sebagai keberhasilan model dalam mendapatkan sebuah informasi.
Recall adalah rasio prediksi benar positif dibagi dengan keseluruhan data yang benar positif.
Nilai dari recall dapat dilihat pada persamaan 2.
Recall=TP/(TP FN) .
F1 Score adalah perbandingan rata-rata precision dan recall, atau keseimbangan antara nilai precision dan recall.
Nilai dari F1 Score dapat dilihat pada persamaan 3.
F1 Score=2 X (Recall x Precisio.
/(Recall Precisio.
HASIL DAN PEMBAHASAN
Setelah mengimplementasikan metode penelitian maka hasil dari deteksi komponen ERD .
ntitas, atribut, primary key, dan relas.
diproses agar dapat menghasilkan gambar ERD untuk setiap studi kasus yang diberikan.
Penelitian ini menggunakan 3 studi kasus.
Hasil gambar ERD dibuat dalam bentuk berdasarkan notasi ERD pada gambar1, di mana entitas dalam bentuk persegi panjang, atribut dalam bentuk elips, primary key dalam bentuk garis bawah, serta relasi dalam bentuk belah ketupat.
Gambar 5 adalah tampilan antar muka sistem untuk memasukkan inputan dari teks yang akan dibangkitkan menjadi ERD.
Gambar 5.
Tampilan interface masukkan data ISSN:2337-7631 .
ISSN: 2654-4091 (Onlin.
ICON.
Vol.
9 No.
Oktober 2021, pp.
DOI: 10.
35508/jicon.
Hasil ERD untuk studi kasus Bahasa Indonesia dapat dilihat pada Gambar 6.
Pada Gambar 6 dapat dilihat bahwa sistem telah dapat menghasilkan entitas, relasi, atribut dan primary key.
Notasi yang dihasilkan juga telah sesuai dengan aturan notasi ERD.
Gambar 6.
Hasil rancangan ERD Pengujian Pengujian yang digunakan yaitu pengujian rule based dan expert judgement.
Berikut ini akan dibahas bagaimana hasil dari pengujian tersebut.
Pengujian Rule Based Deteksi Komponen ERD Evaluasi rule based deteksi komponen ERD dilakukan untuk mengetahui apakah rule based untuk mendeteksi komponen ERD sesuai dengan hasil dari sistem.
Hasil evaluasi rule entitas terhadap studi kasus Bahasa Indonesia dapat dilihat pada Tabel 1.
Berdasarkan tabel 1 pengujian dilakukan dengan menggunakan tiga studi kasus.
Setelah melakukan evaluasi terhadap tiga studi kasus tersebut hasil yang diperoleh sudah sesuai dengan aturan atau rule based yang telah dibuat.
ERD sudah memiliki komponen ERD yaitu entitas, attribut, primary key dan relasi untuk studi kasus yang sederhana sehingga semua indikator pada tabel evaluasi terpenuhi dan dapat dijadikan sebagai tolak ukur dalam penelitian ini.
Tabel 1.
Evaluasi rule entitas studi kasus Bahasa Indonesia Komponen Rule Entitas Kata yang memiliki tag NP atau kelas kata kemungkinan besar merupakan entitas.
Dari hasil parsing kata yang merupakan subjek dan objek yang memiliki tag NP diidentifikasi sebagai Atribut memiliki tag kata yaitu NP, tetapi tidak ada dalam entity list, sehingga kemungkinan besar merupakan atribut.
Kata-kata dengan tag NP yang terdapat dalam daftar entitas diikuti oleh VB untuk setiap frase NP yang Atribut Studi Kasus 1 Studi Kasus 2 Studi Kasus 3 Oo Oo Oo Oo Oo Oo Oo Oo Oo Oo Oo Oo ISSN:2337-7631 .
ISSN: 2654-4091 (Onlin.
ICON.
Vol.
9 No.
Oktober 2021, pp.
DOI: 10.
35508/jicon.
Komponen Studi Kasus 1 Rule Studi Kasus 2 Studi Kasus 3 tidak ada dalam daftar entitas diidentifikasi sebagai Primary Atribut setiap entitas yang berisi kata-kata dalam Oo Oo Oo Key daftar pk, di mana daftar primary key berisi kata-kata unik .
isalnya: no, id, kod.
diidentifikasi sebagai primary key.
Untuk entitas yang tidak memiliki atribut atau Oo Oo Oo memiliki atribut dimana atribut tersebut tidak memenuhi primary key, maka entitas tersebut akan memiliki atribut baru sebagai primary key dengan format nama atribut Auid entity nameAy.
Relasi Kata-kata yang memiliki tag kata VB .
ata kerj.
Oo Oo Oo berkemungkinan menjadi relasi.
Kata kerja yang menghubungkan dua entitas dalam Oo Oo Oo sebuah kalimat diidentifikasikan sebagai relasi.
Pengujian Expert Judgement terhadap Rancangan ERD Pada evaluasi expert judgement dilakukan dengan cara membandingkan antara hasil ERD yang dihasilkan oleh sistem dengan hasil rancangan oleh ahli.
Dalam melakukan analisis, peneliti akan memberikan 3 studi kasus kepada para ahli untuk merancang ERD dan pada sistem studi kasus akan digunakan sebagai inputan untuk menghasilkan ERD.
Kemudian dari hasil tersebut akan dilakukan analisis terhadap semua komponen ERD yaitu entitas, atribut, relasi dan primary key.
Untuk mengukur keefektifan rancangan ERD berdasarkan studi kasus, digunakan metode confusion matrix.
Pada tabel 2 diberikan hasil evaluasi untuk studi kasus 1, tabel 3 hasil evaluasi untuk studi kasus 2 dan tabel 4 untuk evaluasi studi Tabel 2.
Hasil evaluasi studi kasus 1 Ahli Ahli 1 Ahli 2 Ahli 3 Ahli 4 Ahli 5 Komponen Entitas Atribut Primary Key Relasi Keseluruhan Entitas Atribut Primary Key Relasi Keseluruhan Entitas Atribut Primary Key Relasi Keseluruhan Entitas Atribut Primary Key Relasi Keseluruhan Entitas Atribut Primary Key Relasi Keseluruhan Precision Recall F1-Score ISSN:2337-7631 .
ISSN: 2654-4091 (Onlin.
ICON.
Vol.
9 No.
Oktober 2021, pp.
DOI: 10.
35508/jicon.
Tabel 3.
Hasil evaluasi studi kasus 2 Ahli Ahli 1 Ahli 2 Ahli 3 Ahli 4 Ahli 5 Komponen Entitas Atribut Primary Key Relasi Keseluruhan Entitas Atribut Primary Key Relasi Keseluruhan Entitas Atribut Primary Key Relasi Keseluruhan Entitas Atribut Primary Key Relasi Keseluruhan Entitas Atribut Primary Key Precision Recall F1-Score Entitas Atribut Tabel 4.
Hasil evaluasi studi kasus 3 Ahli Ahli 1 Ahli 2 Ahli 3 Ahli 4 Ahli 5 Komponen Entitas Atribut Primary Key Relasi Keseluruhan Entitas Atribut Primary Key Relasi Keseluruhan Entitas Atribut Primary Key Relasi Keseluruhan Entitas Atribut Primary Key Relasi Keseluruhan Entitas Atribut Primary Key Entitas Atribut Precision Recall F1-Score ISSN:2337-7631 .
ISSN: 2654-4091 (Onlin.
ICON.
Vol.
9 No.
Oktober 2021, pp.
DOI: 10.
35508/jicon.
Pada tabel 5 dapat dilihat bahwa persentase dari rata-rata precision, recall, dan F1 score dari hasil perbandingan hasil antara sistem dan setiap ahli sudah memperoleh hasil baik hal ini dapat dibuktikan dari hasil masing-masing rata-rata precision, recall, dan F1 score hasil terendah diperoleh diatas 80%.
Untuk perbedaan hasil tiap ahli berdasarkan evaluasi terhadap sistem dikarenakan masih terdapatnya entitas yang belum dapat dideteksi oleh sistem dikarenakan sistem belum menangani generalization pada sistem pembangkit ERD.
Hal lain adalah masih terdapatnya atribut yang belum terdeteksi oleh sistem serta terdapatnya kesalahan deteksi sistem dimana kata yang seharusnya menjadi entitas namun terdeteksi sebagai atribut dalam sistem, dikarenakan sistem belum dapat menangani deteksi entitas dalam kalimat majemuk atau kompleks pada sistem pembangkit ERD.
Hasil rata-rata precision, recall, dan F1 Score untuk setiap ahli dapa pada tabel 5.
Tabel 5.
Rata-rata precision, recall dan F1 score Rata-rata Precision Rata-rata Recall Rata-rata F1 Score Ahli 1 Ahli 2 Ahli 3 Ahli 4 Ahli 5 Rata rata KESIMPULAN DAN SARAN Kesimpulan Pembangkit ERD sangat membantu system analyst dalam memodelkan ERD karena dapat mengurangi waktu dan beban pada fase perancangan basis data.
Penelitian ini sudah berhasil membangun sistem untuk memodelkan komponen ERD yaitu entitas, atribut, primary key dan relasi.
Berdasarkan hasil pengujian disimpulkan bahwa rule yang dihasilkan sudah dapat menghasilkan ERD untun studi kasus Pengujian berdasarkan metode evaluasi expert judgement memperoleh hasil rata-rata precision, recall.
F1 score berturut-turut dari tiap ahli yaitu: pada ahli 1 diperoleh 91%, 90%, 90%.
pada ahli 2 diperoleh 90%, 90%, 90%.
pada ahli 3 diperoleh 98%, 94%, 96%.
pada ahli 4 diperoleh 93%, 93%, 93%.
dan pada ahli 5 diperoleh 98%, 83%, 90%.
Saran Untuk pengembangan selanjutnya untuk dapat melengkapi setiap komponen ERD yang belum terdapat pada penelitian ini.
Selain itu perlu dilakukan pada pengembangan selanjutnya untuk dapat mendeteksi semua komponen pada ERD dan agar dapat mengatasi kalimat majemuk atau kalimat
DAFTAR PUSTAKA