M. Miftakul Amin

Basis data riset dalam pangkalan data SINTA dimana data berasal dari beberapa sumber seperti Google Scholar, Scopus, dan Web of Science masih terdapat duplikasi data yang secara logika merujuk pada entitas yang sama, sehingga mengurangi kualitas data yang terdapat di dalamnya. Tidak selalu adanya informasi yang unik sebagai penanda duplikasi seperti primary key atau unique identifier dalam basis data riset sehingga terjadi duplikasi. Dalam basis data yang besar, duplikasi ini sulit untuk dideteksi. Duplikasi data ini menjadikan beberapa perhitungan produktifitas publikasi ilmiah menjadi kurang valid, seperti perhitungan impact factor (IF) pada level jurnal dan h-index pada level author, dan beberapa perhitungan sejenis dengan memanfaatkan basis data riset sebagai sumber datanya. Dalam penelitian ini konsep entity matching dapat dijadikan sebagai salah satu pendekatan untuk mengatasi terjadinya duplikasi pada basis data riset. Ditinjau dari aspek teknis, pemrosesan entity matching pada umumnya bersifat manual dan menyita waktu, rentan terjadi error, dan tidak relevan diaplikasikan pada jumlah data yang besar, sehingga diperlukan pendekatan yang bersifat semi-otomatis untuk meningkatkan kinerja matching. Pada penelitian ini menggunakan pendekatan metode treshold-based dan rule-based. Dengan menambahkan metode rule-based diharapkan dapat meningkatkan hasil deteksi yang dilakukan oleh metode treshold-based dan memberikan hasil yang lebih optimal. Penelitian ini diawali dengan meninjau beberapa pendekatan yang sudah pernah dilakukan oleh para peneliti pada bidang entity matching, kemudian dilanjutkan dengan mengidentifikasi beberapa karakteristik yang dapat meningkatkan kinerja entity matching, selanjutnya beberapa karakteristik tersebut digunakan untuk melakukan studi perbandingan beberapa algoritma entity matching untuk mendapatkan sebuah pendekatan yang lebih optimal dalam proses entity matching yang diaplikasikan pada basis data riset. Selanjutnya beberapa ukuran diantaranya Precision (P), Recall (R), dan F-Measure dapat digunakan untuk melihat kualitas kinerja dari model yang dikembangkan.