PENCARIAN DENGAN KNOWLEDGE GRAPH
Abstract
Database adalah salah satu komponen penting pada setiap organisasi ataulembaga-lembaga besar.Perkembangan databasemenjaditantangan tersendiri agar terciptanya
pengelolaandatayangsemakin efisien (Wood, 2004), khususnya padaoptimasi
pencarian.Pengelolaan database yang efisien sangat diperlukan oleh sekian banyak
organisasi, perusahaan ataupun lembaga yang memiliki data dalam jumlah yang
besar.Sebagai salah satu contoh adalah penggunaan database dalam lingkungan
universitas, Jumlah mahasiswa Universitas Gunadarma setiap tahunnya terus meningkat
(Bappeda dan BPS Kota Depok, 2010).Apabilahanya mengandalkan pengorganisasian
data yang sederhana, optimasi pencariannya menjadi rendah.Di sini peran graph
database diperlukan, konsep database menggunakan graphakan lebih membantu
pencarian (Cook, 2000). Model graph databaseakan lebih sempurna jika dipadukan
dengan knowledge graph. Karena model graph ini dapat menemukan atau mencari sifat
similarity dari setiap atribut yang dideklarasikan (Cheng,2008).
Pencariansimilaritydapat dimanfaatkanuntuk mengurutkan data(Wang, 2012), (Wang,
2010) sesuai dengan ranking-nya, apalagi untuk jenis data bertipe string. Dan ranking
dapatdiperoleh dari banyaknya suatu data memiliki relationship atau similar dengan
data yang lain. Salah satu tools open sourcedatabase adalah Neo4j, yang merupakan
transversal framework yangmenyediakan manajemen graph database dalam nodes dan
relationship (Neo4j Team, 2012). Neo4j memberikan suatu query language yang
membantu dalam operasi querying dalam graph database sehingga tidak perlu
melakukan deklarasi traversal dalam baris perintah (Neo4j Team, 201). Dengan segala
fitur yang terdapat dalam neo4j, pencarian berdasarkan similaritydapat diaplikasikan
untuk optimasi pencarian dalam graph database. Penulisan ini diarahkan pada
perancangandatabase dengan pengoptimasiangraph database yangdiharapkan
nantinya dapat menjadi knowledge graph.Kombinasi query dalam pengaksesan database
berdasarkan relationship dan similaritycoba dioptimalkan pada penulisan ini, yakni
pencarian similarity pada2 contohkasus. Implementasi denganskala yang lebih besar
akan membutuhkan waktuyang lama. Kedepannya permodelan databasedalamgraph
databaseakandicoba untukdibandingkan dengan sistem database lainnya, sehingga
optimasi pencarian denganknowledge graph dapat dibuktikan.
pengelolaandatayangsemakin efisien (Wood, 2004), khususnya padaoptimasi
pencarian.Pengelolaan database yang efisien sangat diperlukan oleh sekian banyak
organisasi, perusahaan ataupun lembaga yang memiliki data dalam jumlah yang
besar.Sebagai salah satu contoh adalah penggunaan database dalam lingkungan
universitas, Jumlah mahasiswa Universitas Gunadarma setiap tahunnya terus meningkat
(Bappeda dan BPS Kota Depok, 2010).Apabilahanya mengandalkan pengorganisasian
data yang sederhana, optimasi pencariannya menjadi rendah.Di sini peran graph
database diperlukan, konsep database menggunakan graphakan lebih membantu
pencarian (Cook, 2000). Model graph databaseakan lebih sempurna jika dipadukan
dengan knowledge graph. Karena model graph ini dapat menemukan atau mencari sifat
similarity dari setiap atribut yang dideklarasikan (Cheng,2008).
Pencariansimilaritydapat dimanfaatkanuntuk mengurutkan data(Wang, 2012), (Wang,
2010) sesuai dengan ranking-nya, apalagi untuk jenis data bertipe string. Dan ranking
dapatdiperoleh dari banyaknya suatu data memiliki relationship atau similar dengan
data yang lain. Salah satu tools open sourcedatabase adalah Neo4j, yang merupakan
transversal framework yangmenyediakan manajemen graph database dalam nodes dan
relationship (Neo4j Team, 2012). Neo4j memberikan suatu query language yang
membantu dalam operasi querying dalam graph database sehingga tidak perlu
melakukan deklarasi traversal dalam baris perintah (Neo4j Team, 201). Dengan segala
fitur yang terdapat dalam neo4j, pencarian berdasarkan similaritydapat diaplikasikan
untuk optimasi pencarian dalam graph database. Penulisan ini diarahkan pada
perancangandatabase dengan pengoptimasiangraph database yangdiharapkan
nantinya dapat menjadi knowledge graph.Kombinasi query dalam pengaksesan database
berdasarkan relationship dan similaritycoba dioptimalkan pada penulisan ini, yakni
pencarian similarity pada2 contohkasus. Implementasi denganskala yang lebih besar
akan membutuhkan waktuyang lama. Kedepannya permodelan databasedalamgraph
databaseakandicoba untukdibandingkan dengan sistem database lainnya, sehingga
optimasi pencarian denganknowledge graph dapat dibuktikan.