Perpustakaan Digital ITB

Perkembangan web service dalam dunia service computing terus berkembang dan pemanfaatannya di sektor bisnis semakin canggih. Seiring berkembangnya teknologi, web service yang banyak digunakan mulai beralih dari SOAP menjadi RESTful. Oleh karena itu penggunaan WSDL sebagai description yang terstruktur mulai ditinggalkan. Terdapat beberapa service description yang dapat digunakan untuk RESTful seperti OpenAPI Specification yang termasuk description terstruktur dan description dalam bahasa natural. Proses service discovery pada description terstruktur atau bahasa natural untuk mendapatkan web service yang cocok secara manual dapat menjadi rumit dan memakan waktu terutama pada koleksi dalam jumlah besar. Dari permasalahan tersebut, klasifikasi web service otomatis menggunakan service description dapat mempermudah proses service discovery. Pembuatan sistem klasifikasi web service otomatis memanfaatkan metode text mining yang dimulai dari pencarian dataset, text preprocessing, membangun model klasifikasi, dan membangun sistem klasifikasi otomatis. Dataset yang digunakan adalah dataset deskripsi web service yang didapatkan dari situs ProgrammableWeb dengan 5, 10, 15, dan 20 label. Metode yang digunakan untuk membangun model klasifikasi yaitu problem transformation, adapted algorithm, ensemble, LSTM dan BERT. Berdasarkan eksperimen dan pengujian yang dilakukan, model terbaik adalah label powerset dengan SVM linear yang termasuk metode problem transformation. Model tersebut memiliki evaluation metrics terbaik dan dapat melakukan klasifikasi web service dengan waktu paling singkat. Nilai hamming loss pada 5, 10, 15, dan 20 label secara berurutan adalah 0,089; 0,065; 0,059; dan 0,049. Rata- rata prediksi yang dapat dilakukan dalam satu menit pada 5, 10, 15, dan 20 label adalah 6.122, 3.496, 2.374, dan 1.220 dengan total ukuran model 191,5 MB.