64
 TUGAS AKHIR Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon Sigit Dewanto 05/186213/PA/10559 http://nuevasystem.com

Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

Embed Size (px)

DESCRIPTION

Presentasi skripsi saya dengan topik ekstraksi data dari halaman web. Di sini saya menggunakan metode yang berbasis Data Extraction Based on Partial Tree Alignment (DEPTA). DEPTA ditemukan oleh Yanhong Zhai dan Bing Liu dari University of Illinois at Chicago.

Citation preview

Page 1: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

TUGAS AKHIR

Sistem Ekstraksi Informasi Web Menggunakan 

Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

Sigit Dewanto05/186213/PA/10559

http://nuevasystem.com

Page 2: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

PENDAHULUAN

Page 3: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Latar Belakang Masalah

Saat ini Web merupakan sumber informasi dengan volume yang besar.

Halaman web ditulis dalam HTML, yang merupakan bahasa yang digunakan untuk mengatur presentasi data (bagi manusia) dan bukan untuk mendeskripsikan data itu sendiri.

Karena halaman web ditujukan untuk dibaca secara langsung oleh manusia dan bukan oleh komputer, maka data yang berada dalam halaman web tersebut sulit untuk diolah secara otomatis oleh komputer.

Akan lebih memudahkan bagi manusia jika komputer dapat mengekstrak data tersebut secara otomatis dari halaman web.

Page 4: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Latar Belakang Masalah

Data terstruktur pada halaman web seringkali mengandung informasi yang penting.

Data tersebut umumnya berasal dari basisdata dan ditampilkan dalam halaman Web menggunakan template yang tetap.

Data terstruktur tersebut disebut dengan istilah data records (Zhai dan Liu, 2006).

Page 5: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Latar Belakang Masalah

Contoh struktur basisdata yang dimiliki oleh suatu situs web yang 

menyediakan informasi lowongan kerja

Page 6: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Latar Belakang Masalah

Tampilan data pada halaman web

Page 7: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Latar Belakang Masalah

Hasil Ekstraksi dari Halaman Web

Page 8: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Latar Belakang Masalah

Masalah ekstraksi data terstruktur dari halaman web telah banyak dikaji oleh para peneliti.

Metode ekstraksi yang ada dapat dibagi menjadi tiga kategori, yaitu dengan pembuatan pola secara manual, pembelajaran mesin, dan pencarian pola secara otomatis (Liu, 2007).

Page 9: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Latar Belakang Masalah

Pendekatan pada kategori ketiga memiliki kelebihan dibanding metode lainnya karena tidak diperlukan fase­fase seperti proses pembelajaran yang terpisah, validasi, dan aplikasi (Breuel, 2003).

Metode pada kategori ketiga dapat dibagi lagi menjadi dua subkategori, yaitu pencarian pola berbasis pencocokan pohon dan berbasis pencocokan string (Liu, 2007).

Hasil percobaan menunjukkan bahwa metode pencarian pola berbasis pencocokan pohon lebih efisien daripada yang berbasis pencocokan string (Yeonjung dkk., 2007).

Page 10: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Rumusan Masalah

Bagaimana merancang dan mengimplementasikan sistem ekstraksi informasi web (web information extraction system) menggunakan metode pencarian pola otomatis berbasis pencocokan pohon.

Page 11: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Rumusan Masalah

Bagaimana kinerja sistem ekstraksi informasi web yang dibuat menggunakan metode pencarian pola otomatis berbasis pencocokan pohon dilihat dari parameter berikut: Precision, yaitu perbandingan antara banyaknya target 

ekstraksi yang terekstrak dengan banyaknya hasil ekstraksi yang diberikan sistem.

Recall, yaitu perbandingan antara banyaknya target ekstraksi yang terekstrak dengan banyaknya target (baik yang terekstrak maupun yang tidak terekstrak).

Page 12: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Batasan Masalah Informasi yang akan diekstrak oleh sistem ekstraksi 

informasi yang dibuat merupakan data terstruktur. Jadi ekstraksi informasi yang dimaksud pada sistem yang dibuat adalah ekstraksi data terstruktur.

Masukan sistem berupa halaman web tunggal yang merupakan list page, yaitu halaman yang mengandung satu atau lebih daftar objek. Halaman web tersebut dimasukkan secara manual ke sistem oleh pengguna.

Data records yang menjadi target ekstraksi adalah data records yang strukturnya tidak bersarang (flat data records).

Page 13: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Batasan Masalah

Data records yang menjadi target ekstraksi adalah contiguous data records.

Keluaran sistem (informasi yang diekstrak) merupakan flat data records yang telah dijajarkan data items­nya (telah dibagi dalam kolom­kolom).

Fitur yang dimiliki sistem selain ekstraksi data records adalah pencarian data records hasil ekstraksi berdasarkan kriteria yang dimasukkan oleh pengguna.

Pengguna akan mengecek relevansi antara data records hasil ekstraksi dengan domain aplikasi secara manual. Jika ada data records atau bagian dari data records tersebut yang tidak relevan dengan domain aplikasi maka pengguna dapat menghilangkan data records atau bagian dari data records tersebut.

Page 14: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Batasan Masalah Pelabelan kolom­kolom pada data records akan 

dilakukan secara manual oleh pengguna. Nama­nama kolom pada data records akan 

distandarisasi agar data records yang diperoleh dari sumber­sumber yang berbeda dapat diintegrasikan.

Data records hasil ekstraksi bersama dengan label kolomnya akan disimpan ke dalam basisdata relasional.

Page 15: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

DASAR TEORI

Page 16: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Ekstraksi Informasi Web

Page 17: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Ekstraksi Informasi Web

Page 18: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Ekstraksi Informasi Web

Page 19: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Jenis Halaman yang Mengandung Data Records

List pages

(Liu, 2007)

Page 20: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Jenis Halaman yang Mengandung Data Records

Detail pages

(Liu, 2007)

Page 21: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Jenis Data Records

flat data records dan nested data records

(Liu, 2007)

Page 22: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Jenis Data Records

contiguous dan noncontiguous data records

(Zhai dan Liu, 2006)

Page 23: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Kelemahan Ekstraksi Data Records Menggunakan Metode Wrapper Induction

Ekstraksi data records menggunakan metode wrapper induction memiliki kelemahan jika diterapkan untuk banyak situs web karena memerlukan proses pelabelan manual.

Selain itu, jika template yang digunakan oleh suatu situs berubah maka wrapper yang dihasilkan menjadi tidak valid dan proses pelabelan harus dilakukan lagi.

Page 24: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Ekstraksi Data Records Menggunakan Metode Pencarian Pola Otomatis

Ekstraksi pola secara otomatis dikaji para peneliti karena kelemahan dari metode wrapper induction.

Ekstraksi pola secara otomatis dimungkinkan karena data records dalam suatu situs web umumnya dikodekan menggunakan suatu template yang tetap.

Encoding template tersebut dapat ditemukan dengan mencari pola­pola yang berulang dalam halaman web.

Baik pencocokan string maupun pencocokan pohon dapat digunakan untuk mencari pola tersebut.

Page 25: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Data Extraction Based on Partial Tree Alignment (DEPTA)

(Zhai dan Liu, 2006)

Page 26: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Pohon Tag

(Liu, 2007)

Page 27: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Tree Mapping dan Tree Matching

(Liu, 2007)

Page 28: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Simple Tree Matching

Page 29: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Dua Asumsi yang Digunakan dalam Identifikasi Data Records

(Liu, 2007)

Page 30: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Identifikasi Data Regions Menggunakan Algoritma MDR

(Liu, 2007)

Page 31: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Identifikasi Data Records dalam Data Region

Page 32: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Penjajaran Data Items pada Data Records Menggunakan Algoritma Partial Tree Alignment

Page 33: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Penyisipan Unaligned Nodes

(Liu, 2007)

Page 34: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Ilustrasi Partial Tree Alignment

(Liu, 2007)

Page 35: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Tabel Hasil Ekstraksi

11111T3

11111T2

111…T1

gkhdcnbx…

(Liu, 2007)

Page 36: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

ANALISIS DAN 

PERANCANGAN

Page 37: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Analisis Sistem Hal yang perlu diperhatikan mengenai hasil 

ekstraksi data terstruktur menggunakan metode pencarian pola otomatis: Semua data terstruktur akan diekstrak, baik yang 

relevan dengan domain aplikasi maupun yang tidak.

Keluaran yang dihasilkan merupakan data records dalam bentuk tabel tanpa nama kolom.

Page 38: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Spesifikasi Sistem1. Mampu mengekstrak flat data records dari 

halaman web yang dimasukkan oleh pengguna.

2. Memberikan antarmuka bagi pengguna untuk menyaring lebih lanjut baik tabel maupun data records pada tabel hasil ekstraksi agar data records hasil ekstraksi sesuai dengan domain aplikasi.

Page 39: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Spesifikasi Sistem

3. Memberikan antarmuka bagi pengguna untuk memberikan nama kolom pada tabel hasil ekstraksi.

4. Memberikan fasilitas pencarian data records bagi pengguna.

Page 40: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Use Case Diagram

Page 41: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Deployment Diagram

Page 42: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Entity Relationship Diagram

Page 43: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

IMPLEMENTASI DAN 

PENGUJIAN

Page 44: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Pembangunan Sistem

Komponen SDE diimplementasikan menggunakan Java dan hasil implementasinya berupa aplikasi yang berjalan di atas konsol.

Komponen web application dan web client merupakan aplikasi berbasis web yang diimplementasikan menggunakan framework CakePHP, JavaScript, HTML, dan CSS.

DBMS yang digunakan adalah MySQL 5.

Page 45: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Perbedaan Antara SDE dengan DEPTA

1.Dalam pembangunan pohon tag, DEPTA menggunakan urutan tag pembuka dan informasi visual sedangkan SDE menggunakan parser HTML.

2.DEPTA memanfaatkan informasi visual dalam pembangunan pohon tag, pencocokan pohon, dan pengecekan gap di antara kandidat data records sedangkan SDE tidak menggunakan informasi visual.

Page 46: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Perbedaan Antara SDE dengan DEPTA

3.Dalam perhitungan skor kemiripan antarkandidat data records, DEPTA hanya memperhitungkan tag­tag yang di dalamnya terdapat teks sedangkan SDE memperhitungkan seluruh tag dalam data records.

4.DEPTA mampu mengekstrak non­contiguous data records sedangkan SDE tidak.

Page 47: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Perbedaan Antara Pohon DOM dengan Pohon Tag

Page 48: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Pengujian

SDE dijalankan dengan masukan halaman web dari 20 situs web.

Dari setiap situs diambil 2 halaman web berbeda yang mengandung data terstruktur.

Dari 20 situs tersebut, 14 di antaranya adalah situs penyedia informasi lowongan pekerjaan di Indonesia dan 6 situs lainnya merupakan situs penyedia informasi lowongan pekerjaan internasional.

Page 49: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Pengujian

Untuk setiap halaman web masukan, SDE akan dijalankan hingga jumlah data records dan data items aktual yang terekstrak maksimum. Setelah dijalankan, parameter­parameter berikut akan dicatat: jumlah data records target yang ada pada tiap 

halaman (data records aktual) jumlah data records aktual yang terekstrak dengan 

benar jumlah data records aktual yang tidak terekstrak 

dengan benar

Page 50: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Pengujian

jumlah data records aktual yang tidak terekstrak (tidak teridentifikasi oleh SDE)

jumlah data records yang terekstrak oleh SDE jumlah data items target yang ada pada data 

records aktual yang terekstrak dengan benar (data items aktual)

jumlah data items aktual yang terjajarkan dengan benar dari data records aktual yang terekstrak dengan benar

Page 51: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Pengujian

jumlah data items aktual yang terjajarkan dengan salah dari data items aktual yang terekstrak dengan benar

jumlah data items aktual yang tidak terjajarkan (tidak teridentifikasi) dari data records aktual yang terekstrak dengan benar

jumlah data items yang terjajarkan dari data records aktual yang terekstrak dengan benar

Page 52: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Pengujian

Setelah parameter­parameter tersebut dicatat, maka kemudian dihitung nilai precision dan recall dari ekstraksi data records dan penjajaran data items.

Page 53: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Precision Ekstraksi Data Records

yang tidak memperhitungkan data records yang tidak relevan: precision = COR / (COR + WRG)

yang memperhitungkan data records yang tidak relevan: precision = COR / FOU

Page 54: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Recall Ekstraksi Data Records

recall = COR / ACT

Page 55: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Precision Penjajaran Data Items

precision = COR / FOU

Page 56: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Recall Penjajaran Data Items

recall = COR / ACT

Page 57: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

KESIMPULAN DAN 

SARAN

Page 58: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Kesimpulan Metode pencarian pola otomatis berbasis pencocokan pohon 

telah dapat diterapkan dalam sistem ekstraksi informasi web. Nilai rata­rata precision yang memperhitungkan data records 

yang tidak relevan pada sistem ekstraksi informasi web yang dibangun cukup rendah, yaitu 37,26%.

Nilai rata­rata precision yang tidak memperhitungkan data records yang tidak relevan dan nilai rata­rata recall ekstraksi data records pada sistem ekstraksi informasi web yang dibangun cukup tinggi, yaitu 94,29% dan 94,19%.

Nilai rata­rata precision dan recall penjajaran data items pada sistem ekstraksi informasi web yang dibangun cukup tinggi, yaitu 96,92% dan 99,94%.

Page 59: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Kesimpulan

Data records aktual terekstrak dengan salah oleh sistem ekstraksi informasi web yang dibangun apabila struktur data records aktual berbeda dengan asumsi yang digunakan dalam metode ekstraksi yang digunakan atau hanya terdapat satu data record aktual yang berdiri sendiri (terpisah dari data records lain yang sejenis).

Data records aktual tidak terekstrak (tidak teridentifikasi) oleh sistem ekstraksi informasi web yang dibangun apabila tingkat kemiripan (similarity treshold) antara data records tidak terpenuhi.

Page 60: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Kesimpulan

Data items aktual terjajarkan dengan salah karena metode ekstraksi data terstruktur yang digunakan hanya mencocokkan struktur pohon tag dan string pada data items tanpa memahami makna data items.

Page 61: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Saran

Informasi visual dapat dimanfaatkan untuk meningkatkan precision dan recall ekstraksi data records sekaligus mengurangi waktu komputasi sebagaimana ditunjukkan oleh Zhai dan Liu (2006)[1]

Perlu dilakukan penyimpanan untuk pola data records aktual yang sudah ditemukan agar dapat digunakan dalam ekstraksi data records dari halaman web dengan encoding template yang sama tanpa harus mencari pola lagi..

Page 62: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Saran

Perlu diintegrasikan perkakas (tools) ekstraksi informasi berbasis pengolahan bahasa alami untuk meningkatkan nilai precision ekstraksi data records dan penjajaran data items, juga agar proses pelabelan kolom dapat dilakukan secara otomatis.

Page 63: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Referensi

Breuel,  T.  M.,  2003,  Information  Extraction  from  HTML  Documents  by 

Structural Matching, Proceedings of the 2nd International Workshop on Web 

Document Analysis (WDA2003), Edinburgh, Scotland, UK.

Liu, B., 2007, Web Data Mining: Exploring Hyperlinks, Contents, and Usage 

Data, Springer.

Yeonjung,  K.,  Jeahyun,  P.,  Taehwan,  K.,  dan  Joongmin,  C.,  2007,  Web 

Information Extraction by HTML Tree Edit Distance Matching, Proceedings 

of  the  International  Conference  on  Convergence  Information  Technology 

(ICCIT.2007).

Page 64: Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon

   

Referensi

Zhai, Y. dan Liu, B., 2006, Structured Data Extraction from the Web Based 

on  Partial  Tree  Alignment,  IEEE  Transactions  on  Knowledge  and  Data 

Eengineering, Vol. 18, No. 12.