13518051 Hafshy Yazid Albisthami.pdf
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
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.