[Tugas 3 Model IDIC] : According to IDIC Model which developed by Peppers and Rogers, Consultancy Firm, companies should take four actions in order to build closer one-to-one relationships with customers

Tugas 3 merupakan tugas dari matakuliah CRM yang diberikan oleh dosen saya tercinta yaitu Bapak Dr. Ir. M. Dachyar M.Sc web beliau [ http://mdachyar.blogspot.co.id/ ] mengenai Model IDIC dalam Customer Relation Management

Journal : According to IDIC Model which developed by Peppers and Rogers, Consultancy Firm, companies should take four actions in order to build closer one-to-one relationships with customers
Ringkasan :
Mengapa perusahaan ingin menjalin hubungan dengan pelanggan?

1. Mengurangi biaya pemasaran, karena targetnya sudah ada.

1. Dapat dengan mudah mengetahui keinginan pelanggan.

1. Lifetime value

1. Loss of control

1. Biaya : tidak semua hubungan dengan pelanggan bisa sukses.

1. Membutuhkan sumber daya yang banyak seperti : SDM, waktu dan uang.

1. Opportunity cost :

Mengapa pelanggan ingin menjalin hubungan dengan supplier?

• – B2B Context

• – Product complexity

• – Product strategic significance

• – Service requrements

• – Financial risk

• – Reciprocity

IDIC Model : Mengidentifikasi siapa pelangganya dan membangun pengertian yang dalam tentang mereka. Membedakan pelanggan anda untuk mengidentifikasi mana pelanggan yang memiliki nilai yang tinggi dan menawarkan lebih diwaktu ke depan. Berinteraksi dengan pelanggan untuk memastikan bahwa anda memahami keinginan pelanggan dan hubungan mereka dengan pemasok atau merk lain. Menyesuaikan penawaran dan komunikasi untuk memastikan bahwa keinginan pelanggan terpenuhi.

Mengapa perusahaan tidak ingin menjalin hubungan dengan pelanggan?

–        IDENTIFY who your customers are and build a deep understanding of the customer

–        DIFFERENTIATE your customers to identify which customers have most value now and which offer most for the future

–        INTERACT with customers to ensure that you understand customer expectations and their relationships with other suppliers or brands

–        CUSTOMIZE the offer and communications to ensure that the expectations of customers are met

[Tugas 2 Penerapan CRM di Pemerintahan ] ANALISIS E-CRM (ELECTRONIC-CUSTOMER RELATIONSHIP MANAGEMENT) IN GOVERMENT

Tugas 2 pada matakuliah CRM yang diberikan oleh Bapak Dr. Ir. M. Dachyar M.Sc web beliau [ http://mdachyar.blogspot.co.id/ ] mengenai penerapan CRM pada sektor pemerintahan 

saya menggunakan jurnal : ANALISIS E-CRM (ELECTRONIC-CUSTOMER RELATIONSHIP MANAGEMENT) IN GOVERMENT

Ringkasan : 

Penerapan E-CRM pada pemerintahan, secara keseluruhan kerangka CRM dapat

diklasifikasikan kedalam tiga komponen utama, yaitu : operational CRM, analytical

CRM dan collaborative CRM. (Permas, 2002)

Operational CRM adalah pengelolaan secara otomatis dari proses bisnis secara

terintegrasi dan horizontal termasuk customer touch-points dan integrasi front-back

office. Analytical CRM adalah analisis data yang diperoleh dari operational CRM

dengan memanfaatkan tools dan softwares untuk mendapatkan pemahaman yang

lebih baik tentang perilaku pelanggan atau kelompok pelanggan. Collaborative

CRM adalah seperangkat aplikasi dari pelayanan kolaborasi termasuk e-mail, ecommunities,

publikasi personal, dan alat lainnya yang sejenis yang dirancang untuk

memfasilitasi interaksi antara para pelanggan dengan perusahaan, untuk memperbaiki

proses dan memenuhi kebutuhan pelanggan.

Indikator dari kinerja CRM adalah dicapainya efisiensi, mutu pelayanan,

kepuasan pelanggan serta tersedianya data atau pengetahuan mengenai perilaku

pelanggan.

[Tugas 1 Model RFM (Recency, Frequency, Monetary) ]: Segments Split Your Customer Base Into an Imaginary 3D Cube

Pada tugas kali ini yaitu tugas 1, saya memperoleh tugas dari Bapak Dr. Ir. M. Dachyar M.Sc web beliau [ http://mdachyar.blogspot.co.id/ ] yaitu mengetahui apa itu model RFM dan juga kegunaannya. Dalam tugas ini saya mengacu pada METODE RFM UNTUK MENENTUKAN BEST CUSTOMERS yang merupakan journal oleh Richardus Eko Indrajit

Manajemen perusahaan e-business kerap mempertanyakan suatu hal “Who are my best customers?”. Di dalam ilmu manajemen pemasaran pada dunia internet, dikenal sebuah konsep RFM yang dapat dipergunakan untuk menjawab pertanyaan tersebut. Dengan mempelajari rekaman interaksi dan transaksi pelanggan di masa lalu, perusahaan dapat melakukan penilaian terhadap 3 (tiga) aspek dimensi, yaitu masing-masing: 

• Recency – Sudahkah pelanggan mengakses dan/atau melakukan pembelian melalui situs belakangan ini?; 

• Frequency – Seberapa sering pelanggan di masa lalu mengakses dan/atau melakukan pembelian produk atau jasa yang ditawarkan perusahaan?; dan

• Monetary Value – Seberapa besar nilai transaksi pelanggan yang telah dilakukan melalui situs perusahaan? Dalam konsep RFM ini, setiap dimensi memberikan informasi yang unik mengenai perilaku transaksi masingmasing pelanggan yang dimiliki perusahaan: 

• Recency – Berdasarkan penelitian yang telah dilakukan bertahun-tahun, statistik memperlihatkan bahwa pelanggan yang belakangan ini melakukan transaksi pembelian akan cenderung melakukannya lagi dalam waktu dekat. 

• Frequency – Sejarah memperlihatkan bahwa pelanggan yang secara berkala melakukan pembelian, akan cenderung melakukannya lagi di kemudian hari. 

• Monetary Value – Pelanggan yang telah mengalokasikan cukup banyak dana untuk melakukan pembelian melalui situs akan cenderung melanjutkan kebiasaan membelinya. Jika katakanlah perusahaan memiliki sistem pengukuran berskala lima untuk masing-masing dimensi, maka yang bersangkutan dapat memetakan masing-masing pelanggannya berdasarkan data historis yang ada. Contoh skala yang dimaksud adalah sebagai berikut: 

MATA KULIAH : CUSTOMER RELATION MANAGEMENT

Mata Kuliah CRM

Nama Mata Kuliah      : Manajemen Hubungan Konsumen

                                   (Customer Relationship Management)

Kode Mata Kuliah       : ENIE605038

Jumlah SKS                : 3 (Tiga)

Dosen                         : Dr. Ir. M. Dachyar M.Sc

Web Dosen                 : http://mdachyar.blogspot.co.id/

NIP                              : 195911201986031002

Costumer Relation Management adalah salah satu aplikasi dari ilmu MIS. Dalam sebuah industri yang perkembangannya pesat. Costumer adalah mata rantai yang tak terpisahkan dari struktur industri. Mengapa? Karena kostumer lah yang menjadi pembeli dari produk atau jasa yang dihasilkan oleh perusahaan kita. Sebuah perusahaan tak akan pernah bisa berjalan dengan baik apabila tak ada yang membeli produk atau jasanya. Dunia bisnis sekarang ini telah menjadi semakin sulit dan semakin crowded. Banyak sekali competitor yang selalu bermunculan dengan ide-ide baru dan inovasi tercanggih setiap saatnya. Akibatnya kostumer tentu akan memiliki banyak sekali pilihan, jika ia tak puas dengan layanan sebuah perusahaan ia akan dengan mudah berpindah ke produsen yang lain. Bagaimana caranya agar kostumer tersebut tidak melakukan hal itu dan selalu loyal terhadap produk perusahaan kita? CRM lah salah satu jawabannya.

Apa Itu CRM?

CRM adalah sebuah strategi bisnis yang berbasis kostumer, seperti strategi bisnis lainnya tujuan akhir dari CRM adalah untuk memaksimalkan keuntungan dan pendapatan. Sedangkan tujuan utama dari CRM adalah meningkatkan kepuasan pelanggan. Beberapa teknologi yang melatarbelakangi CRM diantaranya adalah mendapatkan, menyimpan, analisis terhadap kostumer, vendor, partner, dan proses informasi internal.

Sedangkan fungsi-fungsi lain yang mendukung CRM adalah sales, marketing, training, pengembangan professional, manajemen performa, human resource development, dan kompensasi. Keseluruhan teknologi dan fungsi-fungsi yang melingkupi CRM haruslah terintegrasi sebagai bagian tak terpisahkan strategi bisnis yang fokus pada kostumer. Karena banyak dari perusahaan yang mengimplementasikan CRM namun sayangnya hanya terbatas pada instalasi software CRM saja, tanpa adanya will untuk meletakkan kostumer diatas segalanya.

Teknologi pendukung CRM

Costumer Database

Sebuah sistem tak akan pernah berjalan dengan baik tanpa adanya database. Begitu pula dengan CRM ini. Yang menjadi tulang punggung dari sistem ini tak lain dan tak bukan adalah database dari kostumer. Informasi yang diperoleh dari konsumen baik berupa interaksi dengan perusahaan dan prospek kedepannya akan sangat berharga, termasuk juga informasi yang diperoleh dari order kostumer, informasi tentang support yang diberikan, request kostumer, complain, interview dan survey yang telah diberikan. Bagi sistem CRM kesemua hal itu adalah input yang sangat berharga bagi perusahaan.

Costumer Intelligence

Costumer intelligence adalah sebuah upaya untuk mengkotak-kotakkan kostumer sesuai dengan needs dan kebutuhannya masing-masing. Tentu saja hal ini bisa dilakukan dengan bantuan software atau manual manusia. Setelah ia dikotak-kotakkan kita akan dengan mudah memasukkan kostumer itu kedalam permainan strategi bisnis perusahaan. Contohnya adalah pembagian kostumer potensial, kostumer biasa, dan kostumer tak potensial. Ini akan memudahkan kita untuk mengetahui apakah kostumer itu cukup puas atau tidak.

Costumer Capacity and Competency Development

Tujuan utama dari teknologi pendukung ini adalah continous improvement yang memungkinkan perusahaan berada sedikit lebih dekat dengan apa yang dimaui oleh kostumer. Sistem yang kompleks memang dibutuhkan untuk mencapai hal ini, tapi bukan hanya itu saja, praktek langsung jauh lebih powerful untuk mencapai level kepuasan pelanggan yang diinginkan, kombinasi sempurna dari manusia dan teknologi akan menghasilkansalah satu core competencies yang memungkinkan perusahaan terus berada di depan dalam kompetisi CRM. Kesuksesan dalam memilih tools, teknologi, dan praktek langsung akan kemudian ditiru oleh perusahaan yang lain ketika kombinasi itu terbukti sukses. Hal ini akan menyebabkan perusahaan kita menjadi market leader dalam CRM. Tentu saja market leader tak kan dapat dipertahankan lama bila tak ada perubahan dinamis didalam perusahaan yang disesuaikan dengan pergerakan keinginan kostumer.

Operasional CRM

Karena kekuatan utama dari CRM adalah database dari kostumer, maka yang paling bertanggung jawab dalam penyediaan data ini tak lain adalah front office, yaitu tak lain adalah sales, marketing, dan juga tak ketinggalan service. Setiap interkasi dengan kostumer akan dicatat dan masuk dalam sistem kontak history kostumer. Jika memang dibutuhkan data ini akan bisa diolah kembali untuk kepentingan perusahaan. Salah satu kelebihan yang diperoleh dari kontak history kostumer adalah kostumer dapat berinteraksi dengan berbagai macam contact channel di dalam perusahaan dari waktu ke waktu tanpa harus menjelaskan pada para officer komplain apa saja yang telah mereka hadapi terdahulu.

Kegunaan CRM

Database kostumer didalam CRM dapat digunakan untuk berbagai macam kegunaan, diantaranya adalah :

·         Mendesain dan melaksanakan marketing campaign untuk mengoptimalkan eketifitas marketing

·         Mendesain dan melaksanakan costumer campaign yang spesifik seperti cross selling, up-selling, dan retensi.

·         Menilai respon kostumer terhadap produk dan level service, misalnya seperti kenaikan harga, new product development, dan lainnya

·         Mengambil keputusan manajemen seperti forecasting financial dan costumer profitability analysis

·         Prediksi terhadap level defect yang tak diinginkan kostumer (churn analysis)

Yang perlu diperhatikan dalam CRM

CRM adalah sebuah sistem yang berbasis akan database kostumer, informasi dari kostumer akan dengan segera diekstrak demi kepentingan perusahaan. Dalam proses pengumpulan data sebagai bagian dari solusi CRM, sebuah perusahaan harus mengingat bahwa privasi costumer dan kemanan data harus menjadi prioritas utama. Beberapa penerap CRM yang baik malah tidak memperbolehkan data kostumernya di-share atau diakses oleh pihak ketiga. Dalam hal ini mereka telah melakukan hal yang benar. Yaitu perlindungan terhadap data dan privasi kostumer.

Kesimpulan

Banyak dari penerap CRM yang gagal dalam implementasi CRM, diantara mereka yang gagal kebanyakan disebabkan oleh kualitas data yang buruk dan ketidaksiapan mental dalam menjalankan CRM. Ketika perusahaan hendak menimplementasikan CRM, perlu diperhatikan bahwa integrasi data kostumer harus sudah bisa berjalan. Data harus dapat diekstrak oleh siapapun dan departemen yang membutuhkan (misalnya divisi R n D membutuhkan data dari kostumer, maka data tersebut harus tersedia dan terupdata di sistem). Jika hal ini dapat terjadi, maka ia akan menciptakan demand jauh melebihi ekspektasi kostumer, dan hal ini akan memberikan perusahaan sebuah keuntungan yang tak dimiliki oleh competitor. Ia akan menciptakan hubungan business-to-business yang lebih akrab. Ketika hal ini terjadi maka CRM pastinya bernilai lebih dari sekadar sales atau hubungan interaksi kostumer saja.

-Alkindi- dari berbagai sumber

MATA KULIAH : CUSTOMER RELATIONSHIP MANAGEMENT

Mata Kuliah CRM

Nama Mata Kuliah      : Manajemen Hubungan Konsumen

                                   (Customer Relationship Management)

Kode Mata Kuliah       : ENIE605038

Jumlah SKS               : 3 (Tiga)

Dosen                         : Dr. Ir. M. Dachyar M.Sc

NIP                             : 195911201986031002

Costumer Relation Management adalah salah satu aplikasi dari ilmu MIS. Dalam sebuah industri yang perkembangannya pesat. Costumer adalah mata rantai yang tak terpisahkan dari struktur industri. Mengapa? Karena kostumer lah yang menjadi pembeli dari produk atau jasa yang dihasilkan oleh perusahaan kita. Sebuah perusahaan tak akan pernah bisa berjalan dengan baik apabila tak ada yang membeli produk atau jasanya. Dunia bisnis sekarang ini telah menjadi semakin sulit dan semakin crowded. Banyak sekali competitor yang selalu bermunculan dengan ide-ide baru dan inovasi tercanggih setiap saatnya. Akibatnya kostumer tentu akan memiliki banyak sekali pilihan, jika ia tak puas dengan layanan sebuah perusahaan ia akan dengan mudah berpindah ke produsen yang lain. Bagaimana caranya agar kostumer tersebut tidak melakukan hal itu dan selalu loyal terhadap produk perusahaan kita? CRM lah salah satu jawabannya.

Apa Itu CRM?

CRM adalah sebuah strategi bisnis yang berbasis kostumer, seperti strategi bisnis lainnya tujuan akhir dari CRM adalah untuk memaksimalkan keuntungan dan pendapatan. Sedangkan tujuan utama dari CRM adalah meningkatkan kepuasan pelanggan. Beberapa teknologi yang melatarbelakangi CRM diantaranya adalah mendapatkan, menyimpan, analisis terhadap kostumer, vendor, partner, dan proses informasi internal.

Sedangkan fungsi-fungsi lain yang mendukung CRM adalah sales, marketing, training, pengembangan professional, manajemen performa, human resource development, dan kompensasi. Keseluruhan teknologi dan fungsi-fungsi yang melingkupi CRM haruslah terintegrasi sebagai bagian tak terpisahkan strategi bisnis yang fokus pada kostumer. Karena banyak dari perusahaan yang mengimplementasikan CRM namun sayangnya hanya terbatas pada instalasi software CRM saja, tanpa adanya will untuk meletakkan kostumer diatas segalanya.

Teknologi pendukung CRM

Costumer Database

Sebuah sistem tak akan pernah berjalan dengan baik tanpa adanya database. Begitu pula dengan CRM ini. Yang menjadi tulang punggung dari sistem ini tak lain dan tak bukan adalah database dari kostumer. Informasi yang diperoleh dari konsumen baik berupa interaksi dengan perusahaan dan prospek kedepannya akan sangat berharga, termasuk juga informasi yang diperoleh dari order kostumer, informasi tentang support yang diberikan, request kostumer, complain, interview dan survey yang telah diberikan. Bagi sistem CRM kesemua hal itu adalah input yang sangat berharga bagi perusahaan.

Costumer Intelligence

Costumer intelligence adalah sebuah upaya untuk mengkotak-kotakkan kostumer sesuai dengan needs dan kebutuhannya masing-masing. Tentu saja hal ini bisa dilakukan dengan bantuan software atau manual manusia. Setelah ia dikotak-kotakkan kita akan dengan mudah memasukkan kostumer itu kedalam permainan strategi bisnis perusahaan. Contohnya adalah pembagian kostumer potensial, kostumer biasa, dan kostumer tak potensial. Ini akan memudahkan kita untuk mengetahui apakah kostumer itu cukup puas atau tidak.

Costumer Capacity and Competency Development

Tujuan utama dari teknologi pendukung ini adalah continous improvement yang memungkinkan perusahaan berada sedikit lebih dekat dengan apa yang dimaui oleh kostumer. Sistem yang kompleks memang dibutuhkan untuk mencapai hal ini, tapi bukan hanya itu saja, praktek langsung jauh lebih powerful untuk mencapai level kepuasan pelanggan yang diinginkan, kombinasi sempurna dari manusia dan teknologi akan menghasilkansalah satu core competencies yang memungkinkan perusahaan terus berada di depan dalam kompetisi CRM. Kesuksesan dalam memilih tools, teknologi, dan praktek langsung akan kemudian ditiru oleh perusahaan yang lain ketika kombinasi itu terbukti sukses. Hal ini akan menyebabkan perusahaan kita menjadi market leader dalam CRM. Tentu saja market leader tak kan dapat dipertahankan lama bila tak ada perubahan dinamis didalam perusahaan yang disesuaikan dengan pergerakan keinginan kostumer.

Operasional CRM

Karena kekuatan utama dari CRM adalah database dari kostumer, maka yang paling bertanggung jawab dalam penyediaan data ini tak lain adalah front office, yaitu tak lain adalah sales, marketing, dan juga tak ketinggalan service. Setiap interkasi dengan kostumer akan dicatat dan masuk dalam sistem kontak history kostumer. Jika memang dibutuhkan data ini akan bisa diolah kembali untuk kepentingan perusahaan. Salah satu kelebihan yang diperoleh dari kontak history kostumer adalah kostumer dapat berinteraksi dengan berbagai macam contact channel di dalam perusahaan dari waktu ke waktu tanpa harus menjelaskan pada para officer komplain apa saja yang telah mereka hadapi terdahulu.

Kegunaan CRM

Database kostumer didalam CRM dapat digunakan untuk berbagai macam kegunaan, diantaranya adalah :

·         Mendesain dan melaksanakan marketing campaign untuk mengoptimalkan eketifitas marketing

·         Mendesain dan melaksanakan costumer campaign yang spesifik seperti cross selling, up-selling, dan retensi.

·         Menilai respon kostumer terhadap produk dan level service, misalnya seperti kenaikan harga, new product development, dan lainnya

·         Mengambil keputusan manajemen seperti forecasting financial dan costumer profitability analysis

·         Prediksi terhadap level defect yang tak diinginkan kostumer (churn analysis)

Yang perlu diperhatikan dalam CRM

CRM adalah sebuah sistem yang berbasis akan database kostumer, informasi dari kostumer akan dengan segera diekstrak demi kepentingan perusahaan. Dalam proses pengumpulan data sebagai bagian dari solusi CRM, sebuah perusahaan harus mengingat bahwa privasi costumer dan kemanan data harus menjadi prioritas utama. Beberapa penerap CRM yang baik malah tidak memperbolehkan data kostumernya di-share atau diakses oleh pihak ketiga. Dalam hal ini mereka telah melakukan hal yang benar. Yaitu perlindungan terhadap data dan privasi kostumer.

Kesimpulan

Banyak dari penerap CRM yang gagal dalam implementasi CRM, diantara mereka yang gagal kebanyakan disebabkan oleh kualitas data yang buruk dan ketidaksiapan mental dalam menjalankan CRM. Ketika perusahaan hendak menimplementasikan CRM, perlu diperhatikan bahwa integrasi data kostumer harus sudah bisa berjalan. Data harus dapat diekstrak oleh siapapun dan departemen yang membutuhkan (misalnya divisi R n D membutuhkan data dari kostumer, maka data tersebut harus tersedia dan terupdata di sistem). Jika hal ini dapat terjadi, maka ia akan menciptakan demand jauh melebihi ekspektasi kostumer, dan hal ini akan memberikan perusahaan sebuah keuntungan yang tak dimiliki oleh competitor. Ia akan menciptakan hubungan business-to-business yang lebih akrab. Ketika hal ini terjadi maka CRM pastinya bernilai lebih dari sekadar sales atau hubungan interaksi kostumer saja.

-Alkindi- dari berbagai sumber

Customer Relationship Management – A Course (Manajemen Hubungan Konsumen)

Manajemen Hubungan Konsumen

(Customer Relation Management)

Sebuah mata kuliah pilihan yang dapat diambil di semester ganjil di Jurusan Teknik Industri Universitas Indonesia, memiliki kode mata kuliah ENIE605038 dengan pengajar Dr. Ir. M. Dachyar M.Sc. Dalam mata kuliah ini, mahasiswa diharapkan untuk dapat memahami konsep-konsep customer relationship management dan kemudian dapat mengimplementasikan konsep-konsep tersebut di dunia nyata. Mata kuliah ini mempelajari tentang konsep CRM, cara implementasi CRM, cara pengukuran peformanya dan hal-hal lain menyangkut CRM.

MUHAMMAD'S PROFILE

Hallo Readers !! Nama saya Muhammad. Saya lahir di Kebumen, 21 tahun yang lalu. Saya asli kelahiran kota Kebumen dimana saya dibesarkan dan sekarang tinggal di Depok, Jawa Barat. Sekarang, saya merupakan mahasiswa Teknik Industri Universitas Indonesia. Sub Bidang peminatan Management Information System & Decission Support, Supply Chain, Ergonomic, Product Design, Lean Manufacturing, Production Plan & Inventory Control. Saya sedang menjalani kehidupan perkuliahan dengan banyak sekali kegiatan yang saya lakukan, kegiatan tersebut diantaranya menjadi Anggota TIM AUAV (Autonomous Unamanned Aerial Vehicle) Tim Robotika Universitas Indonesia pada bagian Chief Elektric Division pada tim ATHENA KRTI UI dengan mengikuti lomba Nasional dari KEMENRISTEK DIKTI (Kementrian Riset dan Teknologi dan Pendidikan Tinggi yaitu KRTI Nasional 2015 (Kontes Robot Terbang Indonesia) di Jogjakarta. Beberapa kegiatan lainyang saya lakukan saat ini, tentu saja kegiatan perkuliahan di kampus, saya menjadi LO (Liaison Officer) IKK Japan, Indonesia pada UI Career & Scholarship Expo 2016, saya menjadi Vice President (Wakil Presiden) pada IEOM 2016 (Industrial Engineering and Operation Management) Chapter UI, Saya menjadi Tim Lomba PMC 2016 di Universitas Gadjah Mada (UGM) Project Manajement Challenge 2016 dengan tema Health dan mengambil proyek tentang LUPUS Care and Charity, tim kami beranggotakan 4 mahasiswa Teknik Industri Universitas Indonesia yaitu : Randa Adi Saputra, Adi Saepul Anwar, dan Ariph Satyanagara. Saya menjadi Ketua Tim Garuda pada penelitian dari Nutrifood Grant 2016 mengenai Diabetes Melitus dengan Anggota tim yaitu : Tri Kurniawati (FIK 2011), dan Irfan Fawzi (Teknik Industri 2013).  Saya juga menjadi tim Akademik dan mengajar mapel Matematika Dasar dan Bahasa Inggris pada B3 PERHIMAK UI 2015. Saya menjadi squad tim Atlit Teknik UI pada ajang OLIMPIADE UI 2015, sebagai pemain tunggal putra Badminton. Saya menjadi anggota Tim riset bersama Bapak Farizal.Ph, D. riset mengenai Municipal Solid Waste dan Pengolahan Sampah. Kandidat pada International Internship Program dari SCG International di Thailand tahun 2016. Saya merupakan kandidat pada program TULIP Toyota tahun 2016. Saya memiliki minat yang cukup besar pada manufaktur, Ergonomi dan desain. Mata kuliah favorit saya adalah Manufaktur, Perancangan Produk, dan Ergonomi. 

Berikut beberapa lomba baik Nasional maupun Internasional  yang pernah saya ikuti dan capaiannya : 

1. 1st Winner on Singapore Robotics Games 2013, on Wall Climbing Robot Race, Nanyang Technology University Singapore.
2. 2nd Winner on Side Event International Conference on Biodiversity, Climate Change and Foods Security, Bandung 2014.
3. 2nd  Winner  on  Wirausaha  Muda  Mandiri  (WMM)  and  Mandiri Young Technopreneur (MYT), by Bank Mandiri, Jakarta 2013.
4. 4th Winner on Kontes Robot Terbang Indonesia (KRTI) 2015, by KEMENRISTEK DIKTI, Universitas Gadjah Mada, Jogjakarta 2015.
5. 1st Winner on Ganecha Entrepreneur Challenge 2014, Insitut Teknologi  Bandung, Bandung 2014.

Review Jurnal "Combining user and database perspective for solving keyword queries over relational databases"

Combining user and database perspective for solving keyword

queries over relational databases

Mengkombinasikan persepktif pengguna dan basis data untuk menyelesaikan masalah deretan kata kunci pada basis data relasional.

 Oleh :

Sonia Bargamaschi, Francesco Guerra, Matteo Interlandi, Raquel Trillo-Lado,  Yannis Velegrakis

DIEF – University of Modena and Reggio Emilia, Italy

UCLA – University of California, Los Angeles, USA

DIIS – University of Zaragoza, Spain

DISI – University of Trento, Italy

Dalam relational database model, sebuah database adalah kumpulan relasi yang saling terhubung satu sama lainnya. Relasi adalah istilah dalam relational database, tapi kita lebih familiar jika menyebutnya sebagai tabel. Selayaknya tabel yang memiliki kolom dan baris, dalam relational database, kolom (column) disebut attribute, sedangkan baris (row) disebut tuple. Hal ini hanya sekedar penamaan, dan agar lebih gampang, kita hanya akan menggunakan istilah tabel, kolom dan baris dalam tutorial ini, namun jika anda menemui istilah relation, attribut dan tuple, itu hanya penamaan lain dari tabel, kolom, dan baris.

Candidate Key (Kunci Kandidat)

Database dalam relational database dapat diserhanakan sebagai sekumpulan tabel yang saling terhubung. Setiap baris dari dalam tabel setidaknya harus memiliki sebuah kolom yang unik. Unik disini maksudnya tidak boleh sama. Contohnya, dalam tabel 4.1 : tabel data_mahasiswa, kolom NIM (Nomor Induk Mahasiswa) akan menjadi kandidat yang bagus, karena tidak mungkin ada 2 mahasiswa yang memiliki NIM yang sama. NIM disini disebut juga dengan Candidate Key (Kunci Kandidat). Candidate Key adalah satu atau beberapa kolom dalam tabel yang bisa mengidentifikasi tiap baris dari tabel tersebut.

Abstrak

Selama sepuluh tahun, kata kunci yang dicari pada data relasional telah mengundang perhatian. Pendekatan yang mungkin dilakukan untuk mengendalikan isu ini untuk mentranformasikan deretan kata kunci menjadi satu atau lebih deretan SQL yang akan dieksekusi dengan DBMS relasional. Menemukan deretan tersebut merupakan suatu tantangan saat informasi yang disajikan dan juga tersedia bersilangan dan berbeda antara atribut dan spesifikasinya. Maksudanya adalah ini tidak hanya membutuhan elemen skema dari data dimana itu di simpan, tetapi juga untuk menemukan elemen ini saling berhubungan. Semua pendekatan yang telah dilakukan, akan memberikan solusi monolitik. Pada bagian ini, kita membagi menjadi 3 bagian : pertama dengan melihat dari sisi pandang pengguna, masuk ke dalam akun pengguna saat mereka menyusun deretan kata kunci. Langkah kedua berdasarkan perspektif basis data. Berdasarkan bagaimana data disajikan pada skema basis data. Pada langkah terakhir memadukan antara proses pertama dan kedua. Kita menyajikan teori dibalik pendekatan kami dan mengimplementasikan ke dalam sistem yang disebut QUEST (Query generator for structures sources). Yang mana telah dites  untuk menunjukkan efektifitas dan efisiensi dari pendekatan yang kita lakukan. Lebih lanjut lagi, dilaporkan pada luaran dari jumlah percobaan yang telah dilakukan.

1.      Pendahuluan

pencarian kata kunci telah menjadi standar de-facto untuk mencari di web. sumber data terstruktur mengandung sejumlah besar informasi yang signifikan akan tersedia untuk query. Biasanya, antarmuka permintaan terdiri dari bentuk web yang memungkinkan query yang telah ditetapkan untuk berpose di isinya. Selain itu, mesin pencari web mengindeks konten sumber-sumber (yang disebut web tersembunyi) melalui hasil query bentuk web ini, melihat teks sebagai gratis. Terlepas dari kenyataan bahwa ini membatasi jenis data yang dapat dicari, banyak informasi semantik yang disediakan oleh struktur data, misalnya, skema, pada dasarnya hilang. Hal ini melahirkan minat khusus dalam mendukung pencarian kata kunci lebih database terstruktur [1] dengan cara yang sama efektifnya dengan yang ditawarkan pada data teks dan pada saat yang sama mengeksploitasi sebanyak mungkin struktur data yang database menyediakan. Banyak pendekatan mengeksploitasi teks lengkap fungsi pencarian native diimplementasikan dalam DBMS, seperti mengandung fungsi di SQL server dan fungsi pertandingan melawan dalam MySQL, untuk menemukan atribut dari database yang berisi query kata kunci pada saat run-time. Kemudian, mereka membangun jawaban ditetapkan dengan menggabungkan tuple yang mengandung kata kunci permintaan yang berbeda dan memilih orang-orang kombinasi yang dianggap paling mungkin apa yang pengguna cari [12/02] pendekatan .Allthese biasanya heuristik berbasis, tanpa spesifikasi yang jelas dari langkah-langkah yang diperlukan untuk menjawab query.Inthiswork kata kunci, weadvocatethatthereisaneedfora pendekatan yang lebih berprinsip untuk kata kunci pencarian data terstruktur; khususnya, kami percaya bahwa pencarian kata kunci pada sumber terstruktur membutuhkan tiga langkah fundamental. Ada karya terdiri dari baik solusi monolitik end-to-end yang tidak memberikan perbedaan yang jelas dari ketiga langkah ini, atau berfokus pada hanya beberapa dari mereka, mengingat beberapa implementasi langsung dari sisa. Tiga langkah dasar kita dipertimbangkan adalah pertama yang sesuai dengan kata kunci ke struktur database, maka untuk menemukan cara-cara struktur cocok dapat dikombinasikan, dan akhirnya untuk memilih pertandingan terbaik dan kombinasi sehingga struktur database diidentifikasi mewakili apa yang pengguna dalam pikiran untuk menemukan ketika merumuskan query kata kunci. Langkah pertama difokuskan pada mencoba untuk menangkap makna dari kata kunci dalam query seperti yang dipahami oleh pengguna, dan mengungkapkannya dalam hal istilah database, yaitu, struktur metadata dari database. Dalam beberapa hal, ia menyediakan perspektif pengguna dari query kata kunci dan ia melakukannya dengan menyediakan pemetaan kata kunci ke dalam istilah basis data. Langkah ini disebut sebagai langkah analisis maju karena dimulai dari kata kunci dan bergerak ke arah database. Langkah kedua mencoba untuk menangkap makna dari kata kunci karena mereka dapat dipahami dari sudut pandang para insinyur Data yang merancang organisasi database, dan mengungkapkannya dalam satuan semantis koheren struktur database yang berisi

gambar dari kata kunci yang ditentukan oleh langkah pertama. Jadi, dalam arti, ia menyediakan perspektif database query kata kunci dan ia melakukannya dengan menyediakan hubungan antara gambar dari kata kunci. Tugas ini disebut sebagai langkah analisis mundur karena dimulai dari struktur database dan bergerak menuju kunci permintaan melalui gambar mereka. Langkah ketiga memberikan peringkat dari unit yang koheren dari struktur database yang langkah kedua yang diproduksi setelah memilih mereka yang lebih menjanjikan, yaitu, mereka yang semantik lebih mungkin mengungkapkan apa yang pengguna dalam pikiran saat itu merumuskan permintaan kata kunci.

Dalam karya-karya kami sebelumnya kami telah mempelajari aspek yang berbeda dari masalah pencarian kata kunci lebih database relasional. The KEYMANTIC [13,14] sistem terfokus pada langkah pertama. Ini memberikan solusi berdasarkan model yang cocok graf bipartit di mana kata kunci pengguna yang cocok untuk unsur skema database dengan menggunakan ekstensi dari algoritma Hungaria. KEYMANTIC adalah salah satu solusi pertama yang berhubungan dengan masalah query database struktural melalui kata kunci ketika tidak ada akses sebelum isi database untuk membangun indeks apapun, sehingga, mengandalkan informasi semantik dari database meta-data. Fitur ini dari KEYMANTIC membuatnya sangat sesuai untuk pencarian berdasarkan kata kunci pada sistem database federasi dan

untuk menjelajahi sumber data di web tersembunyi. KEYRY [15,16] diperpanjang KEYMANTIC dengan menyediakan kerangka kerja probabilistik, berdasarkan HMM, untuk mencocokkan kata kunci ke dalam elemen skema database. Kedua karya berurusan dengan langkah pertama proses yang dijelaskan sebelumnya, yaitu, langkah perspektif pengguna.

Pengalaman kami dengan sistem ini membuat jelas bahwa ini tidak cukup untuk solusi lengkap. Sistem ini adalah motivasi untuk kerangka berprinsip, holistik dan terpadu disajikan dalam pekerjaan ini. Kontribusi utama dari kertas saat ini sebagai berikut: (i) kami memperkenalkan model 3-langkah mendasar untuk masalah pencarian kata kunci lebih database terstruktur; (Ii) kita mengembangkan dua implementasi yang berbeda dari langkah pertama, salah satu yang mengeksploitasi aturan heuristik dan satu yang didasarkan pada mesin

teknik pembelajaran. Kedua bertujuan menemukan yang sesuai spesifikasi Hidden Markov Model untuk menghasilkan pemetaan yang tepat dari kata kunci kueri ke dalam struktur database; (Iii) kita mendefinisikan sebuah implementasi dari langkah kedua berdasarkan Steiner Pohon penemuan yang mengeksploitasi saling jarak berdasarkan informasi yang berat tepi dan yang bekerja di tingkat skema bukannya tingkat contoh; (Iv) kami menyediakan kerangka kerja probabilistik didirikan pada Shafer Teori Dempster yang mampu menggabungkan dua langkah pertama dan modalitas dalam cara yang memungkinkan sistem untuk segera beradaptasi dengan kondisi kerja yang berbeda dengan memilih kombinasi terbaik antara mereka; (V) kami menerapkan semua hal di atas dalam sistem yang disebut QUEST (Query generator untuk sumber terstruktur) [17] dan memberikan rincian pelaksanaannya; dan akhirnya (vi) kita melakukan serangkaian luas eksperimen yang menawarkan pemahaman yang mendalam dari seluruh proses, efektivitas dan efficiency.The sisa kertas adalah sebagai berikut. Pertama, berprinsip pendekatan 3-langkah diperkenalkan dan kerangka yang diusulkan kami secara formal didefinisikan dalam Bagian 2. Pelaksanaan masing-masing dari tiga langkah di QUEST prototipe kami dikembangkan berikut dalam Bagian 3. Hubungan kerangka kita dengan karya-karya terkait bersama kami karya-karya sebelumnya sendiri pada topik dijelaskan dalam Bagian 4.Finally, evaluasi eksperimental theresultsofour luas dibahas dalam Bagian 5.

2.      Bagian 3 Langkah Bingkai Kerja

Sebagai model data untuk database terstruktur kita asumsikan model relasional, namun kerangka dapat dengan mudah diperluas untuk model terstruktur lain juga. Kami berasumsi set A tak terbatas nama atribut, R nama relasi, dan V domain nilai. Sebuah tuple adalah himpunan berhingga dari atribut pasangan nama-nilai <A1: v1; A2: v2; ...; Sebuah: vn> mana Ai A A, vi A V i dengan V i A V, untuk i ¼ 1 ... n, dan Ai sebuah Aj jika i a j. Skema tupel adalah <A1: V 1; A2: V 2; ...; Sebuah: V n> dan arity adalah jumlah n. Domain Vi disebut sebagai domain dari atribut Ai dan akan dinyatakan sebagai DomðAi Þ, untuk i ¼ 1 ... n. Suatu relasi contoh adalah himpunan berhingga dari tupel, semua dengan skema yang sama. Skema hubungan contoh adalah skema umum dari tupel dan kardinalitas jumlah tupel terdiri dari. Suatu relasi adalah sepasang <R; IR>, di mana R A R, disebut dengan nama relasi, dan IR adalah hubungan misalnya. Skema dari relasi <R; IR> adalah skema hubungan contoh nya, dan akan dinyatakan sebagai RðA1: V 1; ...; Sebuah: V n Þ, di mana <A1: V 1; ...; Sebuah: V n> adalah skema dari IR hubungan misalnya. Dalam apa yang berikut, saat- pernah ada risiko kebingungan, nama R akan digunakan untuk merujuk pada seluruh relasi <R; IR>. Selain itu, sinyal akan adanya domain akan dihilangkan mengarah ke ekspresi fied simpli- dari skema relasi sebagai RðA1; A2; ...; Sebuah Þ. Akhirnya, notasi JRJ akan menyatakan arity dari relasi

R dan JiR j kardinalitas relasi contoh nya [18].

Gambar 1. Alur relational Database

Konfigurasi semantik ambigu. Mereka mungkin menggambarkan arti dari kata kunci dalam hal database, tapi mereka tidak menjelaskan bagaimana istilah yang terhubung untuk membentuk sebuah unit semantik yang koheren yang memberikan makna semantik untuk query kata kunci seluruh. Koneksi ini harus berdasarkan cara gambar dari kata kunci query (seperti yang diungkapkan melalui konfigurasi) yang terhubung dalam database.

Ada biasanya dua cara utama istilah database yang terhubung. Salah satunya adalah struktur, yaitu, cara administrator data yang telah dipilih untuk model data dalam repositori. Misalnya, dua atribut ditempatkan dalam hubungan yang sama ketika desainer data yang percaya bahwa mereka menggambarkan dua sifat yang berbeda dari konsep bahwa hubungan adalah tentang, dan akibatnya mereka harus dihubungkan. Cara lain adalah penggunaan kendala skema, di kendala referensial tertentu seperti / hubungan kunci kunci asing. Hubungan ini menggambarkan cara di mana struktur dalam hubungan yang berbeda dapat dikaitkan dengan membentuk bergabung jalur. Kita merujuk pada cara bahwa istilah database yang berfungsi sebagai gambar dari kata kunci permintaan dapat asosiasi sebagai pretations internasional karena mereka tidak hanya menunjukkan apa setiap kata kunci mewakili, tetapi mereka juga memberikan interpretasi dari permintaan kata kunci seluruh segi struktur database dan kendala semantik.

Untuk lebih formal menentukan interpretasi kami memperkenalkan gagasan grafik basis data.

Contoh 2.4. Salah satu aturan heuristik yang umum diadopsi untuk peringkat interpretasi didasarkan pada jumlah tepi yang terlibat. Interpretasi dengan lebih ujung dapat mencakup tepi ekstra yang tidak dibenarkan oleh setiap istilah dalam permintaan pengguna dan berhubungan hal-hal yang semantik jauh. Di antara dua interpretasi [A.1] dan [A.2] disebutkan dalam Contoh 2.3, [A.2] memiliki lebih ujung. Meskipun ada kemungkinan untuk [A.2] untuk benar-benar mewakili semantik bahwa pengguna mencari dengan permintaan kata kunci yang disediakan, itu kurang mungkin karena [A.2] melibatkan unsur-unsur yang secara semantis lanjut dari sudut pandang Database desainer.

2.3. Memproduksi penjelasan

Karena data disimpan dalam menyimpan data relasional, untuk mengambil unsur-unsur kepentingan diperlukan untuk menghasilkan sejumlah query SQL. Kami mengacu pada pertanyaan ini sebagai penjelasan karena mereka benar-benar menggambarkan satu set data yang akan diambil sebagai tanggapan atas permintaan kata kunci yang disediakan oleh pengguna, dan dalam arti "menjelaskan" apa query bisa benar-benar berarti. Bagaimana penjelasan dihasilkan adalah masalah implementasi khusus. Namun, yang penting adalah bahwa permintaan sql akhir menghormati konfigurasi, yaitu, memastikan bahwa gambar dari kata kunci sebagai istilah basis data yang hadir dalam query dan istilah ini terkait dengan cara bahwa interpretasi menentukan.

Tentu, tidak semua penjelasan sama-sama mungkin untuk mewakili maksud bahwa pengguna dalam pikiran ketika merumuskan query. Kemungkinan bahwa penjelasan sebenarnya mewakili maksud tersebut didasarkan pada tingkat yang baik konfigurasi dan interpretasi yang diyakini mewakili apa yang pengguna dalam pikiran. Ini berarti bahwa untuk membuat daftar peringkat yang paling menjanjikan

penjelasan calon, salah satu kebutuhan pertama yang membuat daftar peringkat interpretasi yang memperhitungkan tidak hanya peringkat interpretasi yang dihasilkan oleh langkah analisis mundur, tetapi juga ranking dari figurasi con- dari mana mereka berasal, seperti yang dihasilkan oleh analisis maju langkah. Ini mungkin kasus misalnya, bahwa interpretasi peringkat sangat tinggi dalam daftar yang dihasilkan oleh langkah kedua, tetapi konfigurasi yang interpretasi berasal sangat rendah di peringkat konfigurasi yang dihasilkan oleh langkah pertama.

1.      Kerangka pelaksanaan

Kami telah terwujud kerangka kerja dijelaskan sebelumnya menjadi sistem yang disebut QUEST. Sistem ini dapat digunakan sebagai add-on yang beroperasi di atas sistem database. Sebelum operasi, QUEST perlu mengetahui beberapa informasi meta-data tentang database. The meta-data informasi tion terdiri dari istilah database samping kendala esensial referen-. Hal ini dilakukan dalam langkah pre-processing dengan mengakses tabel database katalog. Hal ini juga perlu akses ke indeks teks lengkap atas semua atribut basis data. Tentu saja, ada kasus di mana akses tersebut tidak mungkin. Salah satu kasus tersebut adalah satu di mana sumber data adalah bagian dari sistem integrasi sumber independen. Biasanya sumber-sumber ini tidak memungkinkan akses penuh tidak terbatas ke konten mereka, tapi hanya akses ke bagian-bagian tertentu melalui antarmuka dikendalikan con. Dalam kasus ini beberapa informasi parsial dapat diperoleh dari pengguna atau dengan menganalisis antarmuka yang database menyediakan.

Proses implementasi kerangka kerja keseluruhan Menyala didemonstrasikan pada Gambar. 5. Seperti dapat dilihat, untuk analisis ke depan ada dua implementasi yang berbeda yang berjalan di paralel dan pada akhir hasil mereka digabung menjadi satu set konfigurasi. Konfigurasi yang diberikan kepada back- pelaksanaan bangsal langkah, yang mengambil satu per satu dan menghasilkan satu set kemungkinan interpretasi. Semua interpretasi yang dihasilkan kemudian peringkat menurut kriteria seleksi dan daftar peringkat disediakan untuk modul peringkat. Yang terakhir menggabungkan interpretasi peringkat dengan konfigurasi peringkat untuk menghasilkan satu set peringkat baru dari interpretasi dan pilih k atas. 

Pada akhirnya, masing-masing di atas-k diterjemahkan ke dalam query SQL. permintaan kata kunci yang sangat samar. Mereka daftar datar dengan tidak ada hubungan yang jelas antara kata kunci, sehingga banyak interpretasi yang berbeda yang mungkin [29]. Kerangka kerja keseluruhan yang disajikan di sini didasarkan pada asumsi tersembunyi yang semantik pengguna harus diingat ketika merumuskan query yang dinyatakan sebagai permintaan SPJ. Namun, permintaan SPJ membentuk kelas besar pertanyaan yang dapat memenuhi persyaratan aplikasi mayoritas atau kehidupan nyata, kadang hal yang telah diakui [30]. Hampir semua permintaan kata kunci menjawab teknik pada basis data- terstruktur mengikuti asumsi yang sama [12/02]. Jelas, mungkin ada aplikasi yang membutuhkan query yang lebih kompleks yang tidak bisa ditutupi oleh pendekatan kami, misalnya, self-bergabung. Ini berfokus pada aplikasi tertentu, dan dapat ditangani berdasarkan kasus per kasus. Misalnya, diri bergabung dapat diimplementasikan dengan mempertimbangkan beberapa salinan jangka database yang sama pemodelan meja yang diri bergabung dapat diterapkan. Sebagai contoh, grafik Gambar. 3 bisa memiliki lebih dari satu node yang mewakili tabel Person, dan atribut yang dimasukkan untuk memungkinkan diri bergabung di meja yang dianggap sebagai penjelasan yang dihasilkan oleh sistem.

3.4. Menghasilkan penjelasan: terjemahan

Salah satu pendekatan untuk menghasilkan penjelasan dari interpretasi adalah untuk mempertimbangkan semua tabel yang ada atribut atau domain atribut istilah database dalam interpretasi, atau meja itu sendiri muncul sebagai istilah database dalam penafsiran. Semua tabel ini merupakan bagian dari klausul mana. Selanjutnya, untuk setiap hubungan antara istilah database termasuk dalam konfigurasi, join kondisi antara meja masing-masing ditambahkan di mana klausa. Pertanyaan menantang yang akan ditempatkan di pilih klausa, karena berbeda dengan SQL atau bentuk terstruktur lainnya dari query, query kata kunci tidak menentukan baik objek yang akan diambil maupun bentuk atau atribut mereka harus memiliki. Dengan tidak adanya informasi tersebut, QUEST adalah kembali gambaran yang lengkap dari struktur yang terlibat, yaitu, himpunan semua atribut yang berhubungan dengan istilah database relasi yang terlibat dalam penafsiran. Dengan kata lain, untuk QUEST penjelasan, yaitu, yang dihasilkan query SQL final.

4. pekerjaan Terkait

Selama dekade terakhir, sejumlah besar pendekatan untuk memungkinkan pengguna untuk mengakses data terstruktur dengan cara query kata kunci telah diusulkan. Proposal ini dapat fied Classi menjadi dua kategori utama [1]: berbasis grafik skema berbasis (alias hubungan-based) dan (alias tuple-based).

Berbasis skema pendekatan model database yang akan bertanya sebagai grafik di mana node mewakili hubungan dan atribut, dan tepi mewakili hubungan kapal key / kunci asing atau keanggotaan. Dalam sistem semacam ini, permintaan kata kunci biasanya dievaluasi dalam dua langkah. Pertama, query SQL yang dihasilkan untuk menggambarkan arti yang diinginkan dari permintaan pengguna dalam hal basis data. Selain itu, query peringkat dan dievaluasi berdasarkan relevansinya (semantik dekat) untuk semantik permintaan pengguna diasumsikan. Kedua, query SQL yang paling relevan dieksekusi untuk mengambil tupel dari database. Tujuan utama di sini adalah untuk mengoptimalkan algoritma yang digunakan untuk menghasilkan query SQL dan untuk memilih metrik yang tepat untuk evaluasi tuple diambil oleh pertanyaan ini. Contoh sistem berikut pendekatan berbasis skema mencakup DISCOVER [2], DBXplorer [3], MEMICU [5], dan SQAK [6].

Evaluasi Eksperimental 5.

5.1. Pengaturan eksperimen

Sumber data. Kami mempekerjakan dua database yang sering digunakan dalam literatur untuk evaluasi eksperimental: dial3 Senin-dan implementasi relasional DBLP.4 Bahkan jika database berisi sejumlah sebanding istilah basis data (227 dan 237 hal, masing-masing), mereka berbeda dalam ukuran dan jumlah koneksi antara struktur data. DBLP memiliki struktur yang sederhana di mana tabel dapat bergabung dalam sebagian besar kasus dengan jalur yang unik. Sebaliknya, struktur Mondial adalah kompleks dan tabel sering bergabung dengan beberapa jalur. Mengenai kasus, ukuran Senin-dial lebih dari dua kali lipat lebih kecil dari DBLP. Sebagai contoh, "People" dan "inproceedings", menggambarkan penulis dan kertas, yang pasti dua tabel DBLP terbesar dan memiliki kedua kardinalitas hampir satu juta tupel. Selain itu, makalah terkait dengan masing-masing penulis melalui tabel "author_inproceedings" yang menghitung sekitar empat juta tupel. Tabel di Mondial lebih kecil: hanya satu meja, "kota" berisi tiga ribu kasus, dan meja lainnya termasuk sekitar (atau kurang) lima ratus tupel. Tabel 2 merangkum karakteristik utama dari dataset.5 evaluasi

Fitur-fitur ini membuat database yang dipilih di seberang

tingkat dalam sistem evaluasi yang membandingkan ukuran kecil vs database ukuran besar dan database datar vs database dengan struktur data yang kompleks. Akibatnya, kami berharap bahwa dalam perhitungan konfigurasi (yaitu, pencocokan kata kunci pengguna ke dalam istilah database) QUEST melakukan lebih baik di Mondial daripada di DBLP, karena ukuran basis data.

5.6. Perbandingan dengan pendekatan lain

Perbandingan kinerja diperoleh pencarian kata kunci-pendekatan lebih database relasional adalah tugas yang kompleks, terutama, karena tidak adanya patokan standar. Pendekatan yang ada telah dievaluasi terhadap database yang berbeda dengan set query yang berbeda. Fakta ini mencegah perbandingan langsung mereka berdasarkan hasil eksperimen aslinya. Selain itu, dalam beberapa kasus, kerangka evaluasi diadopsi tampaknya tidak memadai, terutama, karena kerja dari sejumlah kecil pertanyaan diri menulis [41], yang mengarah ke hasil yang bias. Hanya baru-baru, patokan [39] mengusulkan beberapa metrik dan query diatur untuk mengevaluasi pendekatan terhadap tiga sumber data (Mondial, IMDB dan Wikipedia). Bahkan jika benchmark merupakan langkah penting menuju evaluasi yang adil dari pendekatan pencarian kata kunci, metrik diadopsi (presisi dan ingat dibandingkan dengan standar emas, dan waktu yang diperlukan untuk mengembalikan hasil) tidak bisa cocok bila diterapkan pada pencarian kata kunci berbasis skema sistem, seperti QUEST, yang mengubah query kata kunci ke dalam query SQL. benchmark, pada kenyataannya, menghitung efektivitas pendekatan dengan menganalisis hasil (contoh) diambil dengan pertanyaan kunci tertentu sedangkan pendekatan pencarian berbasis skema memberikan query SQL sebagai hasil [42]. Perhatikan bahwa semua tupel yang dihasilkan dari query SQL yang sama memiliki intrinsik skor yang sama, dan bahwa hasil yang sama dapat diperoleh dengan pertanyaan yang berbeda.

6. Kesimpulan

Kami telah disajikan QUEST, kerangka kerja untuk pencarian kata kunci lebih database relasional yang membelah proses untuk memecahkan query kata kunci dalam tiga langkah: maju, mundur dan kombinasi dari keduanya. Langkah maju menghasilkan konfigurasi, yaitu, pemetaan kata kunci ke dalam istilah basis data. Konfigurasi yang diturunkan mengikuti perspektif pengguna, yaitu, memperhitungkan bagaimana query telah dirumuskan oleh pengguna. Interpretasi langkah mundur dirumuskan dari konfigurasi diperoleh, yaitu, jalur bergabung database struktur yang terlibat dalam konfigurasi. Ini dihitung tindak ing perspektif basis data, yaitu, dengan mempertimbangkan bagaimana informasi sebenarnya terfragmentasi di sejumlah tabel dalam database. Konfigurasi dan interpretasi masing-masing digabungkan untuk membentuk sebuah jawaban untuk query kata kunci dan dengan cara kerangka probabilistik yang memungkinkan pengguna untuk menentukan tingkat ketidakpastian peringkat. QUEST benar-benar disesuaikan dan mampu memberikan - sebagai hasil eksperimen menunjukkan - hasil yang sangat akurat secara independen dari ukuran basis data, struktur com- plexity, akses langsung ke contoh, dan ketersediaan fungsi pencarian teks penuh.