Permadi, Vynska Amalia (2018) Menjawab Why-Not Question Pada K-Most Promising Product (K-MPP) Dengan Pendekatan Data Refinement. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
5116201002-Master_Thesis.pdf - Accepted Version Download (3MB) | Preview |
Abstract
K-Most Promising Product (K-MPP) adalah strategi product selection yang digunakan pada proses pencarian K-produk yang paling banyak diminati oleh customer. Dasar komputasi yang digunakan untuk melakukan perhitungan K-MPP adalah dua tipe skyline query, yaitu: dynamic skyline dan reverse skyline. Penentuan K-MPP dilakukan pada layer aplikasi, yang merupakan layer paling atas pada model OSI. Salah satu fungsi layer aplikasi adalah untuk menyediakan layanan terbaik sesuai dengan keinginan user.
Dalam implementasi K-MPP, akan muncul suatu keadaan dimana produsen mungkin kurang puas dengan query result yang dihasilkan pada proses pencarian di sistem database (why-not question), sehingga mereka juga ingin mengetahui mengapa sistem database memberikan hasil pencarian query yang tidak sesuai dengan harapannya. Sebagai contoh, produsen ingin mengetahui mengapa suatu data point tertentu yang tidak diharapkan (unexpected data) muncul di query result, dan mengapa produk yang diharapkan (expected data) tidak muncul sebagai query result. Permasalahan yang muncul selanjutnya adalah, sistem database tradisional tidak dapat memberikan fasilitas analisis data dan solusi untuk menjawab why-not question yang diajukan oleh user.
Untuk meningkatkan usability pada sistem database, penelitian ini dilakukan dengan tujuan menjawab why-not K-MPP dan memberikan solusi berupa data refinement dengan mempertimbangkan user feedback sehingga user dapat mengetahui mengapa himpunan hasil yang muncul tidak sesuai dengan harapan, dan dapat membantu user untuk memahami serta mengubah query agar menghasilkan query result sesuai keinginan user namun dengan cost perubahan seminimal mungkin. Berdasarkan proses evaluasi yang telah dilakukan terhadap tiga jenis tipe data yang berbeda, yaitu: independen, anti-correlated, dan forest cover type rata-rata waktu yang dibutuhkan untuk mencari variasi data refinement cenderung konstan dan akan mengalami peningkatan pada kardinalitas data dan selisih K yang tinggi. Rentang waktu yang dibutuhkan berada pada nilai 1.13 s hingga 3.48 s, dimana besarnya nilai rata-rata waktu dipengaruhi oleh jumlah data, dimensi data, dan selisih K antara K-MPP dan why-not point. ======================================================================================================
K-Most Promising (K-MPP) product is an optional product selection strategy that used in the process of determining the most demanded products by consumers. The basic computations used to perform K-MPP calculations are two types of skyline queries: dynamic skyline and reverse skyline. K-MPP selection performed on the application layer, which is the last layer of the OSI model. One of the application layer functions is to provide services as the user's preferences.
In the K-MPP implementation, there will be a situation in which the Manufacturer may be less satisfied with the query results generated by the database search process (why-not question), so they also want to know why the database gives query results that do not match their expectations. For example, manufacturers want to know why a particular data point (unexpected data) appears in the query result set, and why the expected product (expected data) does not appear as a query result. The next problem is that traditional database systems will not able to provide data analysis and solution to answer why-not questions preferred by users.
To improve the usability of the database system, this study was conducted with the aim of answering why-not K-MPP and provide data refinement solutions by considering user feedback, so users can also find out why the result set does not meet their expectations, and help users to understand the result by performing analysis information and data refinement suggestion. Based on the evaluation process that has been done on three different types of data, namely: independent, anti-correlated, and forest cover type, the average time needed to find variations in data refinement tends to be constant and will increase in a large number of data cardinality and ∆K. The average evaluation time needed is vary from 1.13 s to 3.48 s, and it is influenced by the amount of data, data dimensions, and K difference between K-MPP and why-not points.
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTIf 658.834 3 Per m-1 3100018078140 |
| Uncontrolled Keywords: | Dynamic Skyline, Data Refinement, K-MPP, Reverse Skyline, Sistem Database, Why-not K-MPP |
| Subjects: | H Social Sciences > HF Commerce > HF5415.335 Consumer satisfaction Z Bibliography. Library Science. Information Resources > Z665 Library Science. Information Science Z Bibliography. Library Science. Information Resources > ZA Information resources > Z699.5 Information storage and retrieval systems Z Bibliography. Library Science. Information Resources > ZA Information resources > ZA4450 Databases |
| Divisions: | Faculty of Information and Communication Technology > Informatics > 55101-(S2) Master Thesis |
| Depositing User: | Vynska Amalia Permadi |
| Date Deposited: | 30 Nov 2020 03:14 |
| Last Modified: | 30 Nov 2020 03:14 |
| URI: | http://repository.its.ac.id/id/eprint/55463 |
Actions (login required)
 |
View Item |