Publisher

UNDANAUNDANA

Journal J-ICON: Jurnal Komputer dan InformatikaJ-ICON: Jurnal Komputer dan Informatika Abstract

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 dievaluasi menggunakan metode 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%.

Conclusion

Pembangkit ERD membantu system analyst dengan mengurangi waktu dan beban pada fase perancangan basis data.Sistem yang dikembangkan berhasil memodelkan komponen ERD utama—entitas, atribut, primary key, dan relasi—dan aturan (rule) yang dihasilkan efektif untuk kasus sederhana.Evaluasi expert judgement menunjukkan rata‑rata precision, recall, dan F1‑score yang tinggi, berkisar antara 90% hingga 98% pada lima pakar yang diuji.

Future Research

Penelitian selanjutnya dapat mengeksplorasi penggunaan model pembelajaran mendalam (deep learning) berbasis jaringan saraf untuk deteksi komponen ERD secara otomatis, dengan tujuan meningkatkan generalisasi pada teks spesifikasi yang bervariasi. Selain itu, studi dapat diperluas untuk mengembangkan sistem multibahasa yang mampu memproses spesifikasi kebutuhan dalam bahasa selain Bahasa Indonesia, sehingga meningkatkan penerapan teknologi pada proyek internasional. Selanjutnya, integrasi teknik pelabelan peran semantik (semantic role labeling) dapat diteliti untuk memperbaiki identifikasi relasi dalam kalimat majemuk atau kompleks, sehingga menghasilkan diagram ERD yang lebih akurat dan komprehensif.

References

1. J-ICON: Jurnal Komputer dan Informatika. generating entity relationship diagram requirement natural language... ejurnal.undana.ac.id/index.php/jicon/article/view/5051J ICON Jurnal Komputer dan Informatika generating entity relationship diagram requirement natural language ejurnal undana ac index php jicon article view 5051
2. Generating Entity Relationship Diagram from Requirement Specification based on NLP | IEEE Conference... ieeexplore.ieee.org/document/8736146Generating Entity Relationship Diagram from Requirement Specification based on NLP IEEE Conference ieeexplore ieee document 8736146
3. Automated Generation of E-R Diagram from a Given Text in Natural Language | IEEE Conference Publication... doi.org/10.1109/iCMLDE.2018.00026Automated Generation of E R Diagram from a Given Text in Natural Language IEEE Conference Publication doi 10 1109 iCMLDE 2018 00026
4. ANALISA PERBANDINGAN PEMODELAN BASIS DATA MENGGUNAKAN ER- DIAGRAM DAN EER-DIAGRAM PADA KASUS SISTEM ASISTENSI... doi.org/10.24176/simet.v7i1.532ANALISA PERBANDINGAN PEMODELAN BASIS DATA MENGGUNAKAN ER DIAGRAM DAN EER DIAGRAM PADA KASUS SISTEM ASISTENSI doi 10 24176 simet v7i1 532

Metadata

File size	418.23 KB
Pages	11
DMCA	Report