KOM341 Temu Kembali Informasi
|
|
- Johan Tedja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 KOM341 Temu Kembali Informasi KULIAH #3 Inverte Inex?? o Apa persamaan pokok bahasan antara Rijbergen Ch.2 engan Manning Ch.2? o Apa perbeaannya? 1
2 Inverte inex construction perkebunan, pertanian, an kehutanan Kumpulan okumen Token Tokenizer perkebunan pertanian kehutanan Linguistic moules Moifikasi token kebun tani hutan Inexer hutan 2 4 Inverte inex. kebun tani Inexing o Pengineksan secara manual (oleh manusia) Menentukan kata kunci ari suatu okumen berasarkan perbenaharaan kata yang aa (controlle vocabulary) Oleh ahli i biangnya Lama an mahal o Pengineksan secara otomatis Program komputer untuk menentukan kata atau frase tertentu ari teks paa okumen Prosesnya cepat 2
3 Inexing Controlle vocabulary Manual Catalogization Automatic Categorization Free text Inexing Search engine Tahap Pengineksan Otomatis o Perhatikan struktur okumen (i, tanggal, author, title, text, sb) o Tokenisasi o Buang stopwors o [proses pemotongan imbuhan (stemming)] o Pembobotan kata o Pembuatan ineks 3
4 1. Struktur Dokumen o Tergantung jenis okumen o Format umum : SGML o Perlu pemisahan antar elemen okumen? o Bagian mana saja ari okumen yang akan iineks? 2. Tokenisasi o Kata atau konsep? Kata seerhana (tunggal) Frase Konsep à Thesaurus o Teknik: segmentasi, memilah o Tokenisasi :: Frase Contoh frase : tusuk jarum Banyak menggunakan metoe statistika Berasarkan frekuensi kemunculan POS-tagger 4
5 3. Stopwors o Kata buangan, aftar kata umum yang mempunyai fungsi tapi tiak mempunyai arti o Contoh : an, atau, yang o Dari pengalaman, frekuensinya sangat banyak o Dibuang, untuk efisiensi o Timbul masalah, misalkan : Yang Mulia Yang Maha Kuasa Ekspresi DAN bernilai benar jika keua operan bernilai benar 4. Stemming o Proses pembuangan prefiks an sufiks (secara morfologi) ari suatu kata berimbuhan menjai kata asar. o Contoh: menyelesaikan à selesai (stem) o Stemming ilakukan atas asar asumsi bahwa kata-kata yang memiliki stem yang sama memiliki makna yang serupa pula. o Banyak riset menunjukkan bahwa stemming tiak mempengaruhi kinerja temu kembali secara nyata. 5
6 Tujuan Stemming o Efisiensi, mengurangi jumlah kata-kata unik alam ineks sehingga mengurangi kebutuhan ruang penyimpanan untuk ineks an mempercepat proses pencarian. o Efektivitas, meningkatkan okumen yang itemu-kembalikan (recall) engan mengurangi varian kata menjai bentuk kata asarnya (stem). Masalah Stemming o Umum ilakukan alam IR walaupun hasilnya banyak bermasalah. o Contoh: kaaluarsa à ngaaluarsa mencapai à capa o Stemming akan menghilangkan variasi morfologi. kabar : berkabar, mengabarkan, terkabar, perkabaran, pengabaran 6
7 Teknik Stemming Teknik stemming apat ikategorikan menjai tiga jenis: o Berasarkan aturan sesuai bahasa tertentu, o Berasarkan kemunculan bersama, o Berasarkan kamus. Porter Stemmer o Stemmer untuk bahasa Inggris yang teriri ari beberapa aturan, ikembangkan oleh Martin Porter. o Dasar algoritme Porter berasarkan pemotongan awalan (prefix) an akhiran (suffix): Penghitungan ukuran kata Aturan pemotongan. 7
8 Ukuran kata o Setiap kata/bagian kata apat memiliki salah satu ari empat bentuk: KVKV... K KVKV... V VKVK... K VKVK... V o Bentuk umum: [K]VKVK... [V] atau [K] (VK) m [V] imana m melambangkan ukuran kata Ukuran kata o Contoh: makan an bentuk : m=2 presentasi an imanakah : m=4 o Fungsi penghitung ukuran kata igunakan untuk mencegah stemming menghasilkan stem yang terlalu penek (overstemming). o Diasumsikan minimal stem berukuran ua, kecuali jika kata berukuran kurang ari ua. 8
9 Aturan pemotongan o Aturan: P1 (konisi) S1 P2 S2 o Artinya jika kata memiliki prefiks P1 an sufiks S1, an bagian kata setelah P1 an sebelum S1 memenuhi konisi atau aturan yang iberikan, maka P1 an S1 akan iganti menjai P2 an S2. o Konisi apat menggunakan operator AND, OR, atau NOT untuk menyatakan aturan yang kompleks. Contoh (m>1) wan o berarti S1 aalah wan, an S2 aalah null (kata kosong). o Contoh: kata ermawan ipotong menjai erma karena erma berukuran 2 (m>1). 9
10 Program Stemmer o Berbagai implementasi Porter Stemmer untuk bahasa Inggris: o Untuk bahasa Inonesia, lihat : UI : Neil Siregar (1995) UI : Ariani & Nazief (1996) IPB : Ahma Riha (2002), Julio Aisantoso (2009) o Bantuan kamus. Teknik stemming o Periksa semua kemungkinan bentuk kata: prefiks1+prefiks2+katadasar+sufiks3+sufiks2+sufiks1 o Lakukan pemotongan berurutan : prefiks1, prefiks2, sufiks1, sufiks2, sufiks3 (kalau aa), an KATADASAR. o Setiap tahap pemotongan iikuti engan pemeriksaan i kamus kata asar). Jika aa maka proses inyatakan selesai. o Contoh : kata mempermainkannya : o Jika sampai paa pemotongan sufiks3 masih belum aa i kamus, maka ilakukan proses kombinasi. 10
11 Kombinasi kata o Kata Dasar o Kata Dasar + Akhiran 3 o Kata Dasar + Akhiran 3 + Akhiran 2 o Kata Dasar + Akhiran 3 + Akhiran 2 + Akhiran 1 o Awalan 1 + Awalan 2 +Kata Dasar o Awalan 1 + Awalan 2 +Kata Dasar + Akhiran 3 o Awalan 1 + Awalan 2 +Kata Dasar + Akhiran 3 + Akhiran 2 o Awalan 1 + Awalan 2 +Kata Dasar + Akhiran 3 + Akhiran 1 o Awalan 2 + Kata Dasar o Awalan 2 + Kata Dasar + Akhiran 3 o Awalan 2 + Kata Dasar + Akhiran 3 + Akhiran 2 o Awalan 2 + Kata Dasar + Akhiran 3 + Akhiran 2 + Akhiran 1 Awalan me- o tetap, jika huruf pertama kata asar aalah l, m, n, q, r, atau w. Contoh: me- + luluh meluluh, me- + makan memakan. o me- mem-, jika huruf pertama kata asar aalah b, f, p*, atau v. Contoh: me- + baca membaca, me- + pukul memukul*, me- + vonis memvonis, me- + fasilitas + i memfasilitasi. o me- men-, jika huruf pertama kata asar aalah c,, j, atau t*. Contoh: me- + atang menatang, me- + tiup meniup*. o me- meng-, jika huruf pertama kata asar aalah huruf vokal, k*, g, h. Contoh: me- + kikis mengikis*, me- + gotong menggotong, me- + hias menghias. o me- menge-, jika kata asar hanya satu suku kata. Contoh: me- + bom mengebom, me- + tik mengetik, me- + klik mengeklik. o me- meny-, jika huruf pertama aalah s*. Contoh: me- + sapu menyapu*. 11
12 Sifat khusus o Dilebur jika huruf keua kata asar aalah huruf vokal. Contoh: me- + tipu menipu, me- + sapu menyapu, me- + kira mengira. o Tiak ilebur jika huruf keua kata asar aalah huruf konsonan. Contoh: me- + klarifikasi mengklarifikasi. o Tiak ilebur jika kata asar merupakan kata asing yang belum iserap secara sempurna. Contoh: me- + konversi mengkonversi. Masalah paa stemming o Unerstemming jumlah kata/imbuhan yang ipotong terlalu seikit Misal: pengorbanan menjai korbanan o Overstemming jumlah kata/imbuhan yang ipotong terlalu banyak Misal: mencapai menjai capa 12
13 5. Pembobotan o Perlunya suatu kata iberi bobot Makin sering suatu kata muncul paa suatu okumen, maka iuga semakin penting kata itu untuk okumen tsb. o Beberapa penekatan: tf tf.if BM25 sb. Term frequency (tf) o Frekuensi kemunculan suatu term t paa okumen è tf t, o Contoh: term ari atabase engan informasi komputer struktur yang
14 Term frequency (tf) o Mana yang lebih memberikan informasi sebagai penciri ari suatu okumen? (kasus paa ok-1) Kata komputer yang muncul sebanyak 10 kali Kata yang yang muncul sebanyak 35 kali Kata ari yang muncul sebanyak 20 kali o Kata yang muncul i semua okumen engan frekuensi yang besar. Apa akibatnya? Document frequency (f) o Banyaknya okumen i alam koleksi yang menganung kata tertentu. o Mana yang lebih informatif bagi suatu kata untuk mencirikan okumen? Seberapa jarang suatu kata muncul i seluruh okumen? Seberapa sering suatu kata muncul i seluruh okumen? o Contoh: ari atabase engan informasi komputer struktur yang
15 Inverse ocument frequency (if) o Banyaknya okumen imana suatu term t muncul : 1 f t o Dikoreksi engan banyaknya seluruh okumen alam koleksi (N), menjai : if t = log N f t Bobot tf.if o Hasil kali : tf t x if t o Maka bobot setiap term t paa okumen aalah: w t, = tf t N. log f t o Kecenerungan nilai bobot: Berbaning lurus engan frekuensi kemunculan term t paa suatu okumen. Berbaning terbalik engan banyaknya okumen yang menganung suatu term t. 15
16 Beberapa alternatif tf.if Sublinear tf scaling wf sehingga t, 1 + log( tft, ) tft, > 0 = 0 selainnya wf. if. ift, = wft, t Beberapa alternatif tf.if Maximum tf normalization Untuk setiap okumen, misalkan tf, max ( ) = maxτ tfτ imana τ aalah banyaknya setiap term alam maka ntf t, tf = a + (1 a) tf max t, ( ) 16
17 Boolean o Kemunculan suatu term t paa okumen è b t, à [0,1] o Contoh: term ari atabase engan informasi komputer struktur yang Contoh kasus: N=10000 Hitung bobot tf.if normal o Daftar kata an kemunculannya harga saham unia turun investor rugi D D D D o Banyaknya okumen yang menganung kata harga saham unia turun investor rugi #oc
JULIO ADISANTOSO - ILKOM IPB 1
KOM341 Temu Kembali Informasi KULIAH #3 Inverted Index Inverted index construction Kumpulan dokumen Token Modifikasi token Tokenizer Linguistic modules perkebunan, pertanian, dan kehutanan perkebunan pertanian
Lebih terperinciJULIO ADISANTOSO - ILKOM IPB 1
KOM341 Temu Kembali Informasi KULIAH #3 Invere Inex Invere inex consrucion Kumpulan okumen Token Moifikasi oken Tokenizer Linguisic moules perkebunan, peranian, an kehuanan perkebunan peranian kebun ani
Lebih terperinciPERANCANGAN INFORMATION RETRIEVAL SYSTEM UNTUK DOKUMEN BERBAHASA INDONESIA DENGAN MENGGUNAKAN EXTENDED BOOLEAN
PERANCANGAN INFORMATION RETRIEVAL SYSTEM UNTUK DOKUMEN BERBAHASA INDONESIA DENGAN MENGGUNAKAN EXTENDED BOOLEAN Steven Teknik Informatika Universitas Tarumanagara Jl. S. Parman No.1, Jakarta 11440 Inonesia
Lebih terperinciJULIO ADISANTOSO - ILKOM IPB 1
KOM341 Temu Kembali Informasi Proses Temu-Kembali KULIAH #4 Pemoelan IR Boolean moel Vector space moel Konsep IR Pemoelan IR Moel IR iefinisikan sebagai empat komponen [D, F, Q, R(q, )] Keterangan: D aalah
Lebih terperinciTabel 3 Situs berita dan jumlah RSS yang diunduh Situs Berita
6 besar dibandingkan dengan istilah yang berada pada description. Lingkup Implemental Lingkungan implementasi yang akan digunakan adalah sebagai berikut: Perangkat Lunak : Sistem operasi Windows XP Professional
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Semakin canggihnya teknologi di bidang komputasi dan telekomunikasi pada masa kini, membuat informasi dapat dengan mudah didapatkan oleh banyak orang. Kemudahan ini
Lebih terperinciPeningkatan Kinerja Pencarian Dokumen Tugas Akhir menggunakan Porter Stemmer Bahasa Indonesia dan Fungsi Peringkat Okapi BM25
54 Widiasri, M., dkk.: Peningkatan Kinerja Pencarian Dokumen Tugas Akhir Menggunakan Peningkatan Kinerja Pencarian Dokumen Tugas Akhir menggunakan Porter Stemmer Bahasa Indonesia dan Fungsi Peringkat Okapi
Lebih terperinciSISTEM TEMU BALIK INFORMASI
SISTEM TEMU BALIK INFORMASI Algoritma Nazief dan Adriani Disusun Oleh: Dyan Keke Rian Chikita Agus Dwi Prayogo 11/323494/PA/14356 11/323813/PA/14362 11/323856/PA/14367 PRODI S1 ILMU KOMPUTER JURUSAN ILMU
Lebih terperinciText Mining. Budi Susanto. Text dan Web Mining. Teknik Informatika UKDW Yogyakarta
Text Mining Budi Susanto Materi Pengertian Text Mining Pemrosesan Text Tokenisasi Lemmatization Vector Document Pengertian Text Mining Text mining merupakan penerapan konsep dan teknik data mining untuk
Lebih terperinciLAPORAN AKHIR HIBAH PENELITIAN dalam Rangka Kegiatan SP4 Departemen Ilmu Komputer
LAPORAN AKHIR HIBAH PENELITIAN dalam Rangka Kegiatan SP4 Departemen Ilmu Komputer CORPUS DOKUMEN TEKS BAHASA INDONESIA UNTUK PENGUJIAN EFEKTIVITAS TEMU KEMBALI INFORMASI Oleh: Ir. Julio Adisantoso, M.Kom.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Information Retrieval System Sistem temu kembali informasi ( information retrieval system) merupakan sistem yang dapat digunakan untuk menemukan informasi yang relevan dengan
Lebih terperinciPERBANDINGAN ALGORITMA STEMMING PORTER DENGAN ALGORITMA NAZIEF & ADRIANI UNTUK STEMMING DOKUMEN TEKS BAHASA INDONESIA
PERBANDINGAN ALGORITMA STEMMING PORTER DENGAN ALGORITMA NAZIEF & ADRIANI UNTUK STEMMING DOKUMEN TEKS BAHASA INDONESIA Ledy Agusta Fakultas Teknologi Informasi Universitas Kristen Satya Wacana ledyagusta@gmail.com
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI II.1 Text Mining Text Mining merupakan penerapan konsep dan teknik data mining untuk mencari pola dalam teks, proses penganalisaan teks guna menemukan informasi yang bermanfaat untuk
Lebih terperinciINDEXING AND RETRIEVAL ENGINE UNTUK DOKUMEN BERBAHASA INDONESIA DENGAN MENGGUNAKAN INVERTED INDEX
INDEXING AND RETRIEVAL ENGINE UNTUK DOKUMEN BERBAHASA INDONESIA DENGAN MENGGUNAKAN INVERTED INDEX Wahyu Hidayat 1 1 Departemen Teknologi Informasi, Fakultas Ilmu Terapan, Telkom University 1 wahyuhidayat@telkomuniversity.ac.id
Lebih terperincibeberapa tag-tag lain yang lebih spesifik di dalamnya.
metode mana yang lebih baik digunakan untuk memilih istilah ekspansi yang akan ditambahkan pada kueri awal. Lingkungan Implementasi Perangkat lunak yang digunakan untuk penelitian yaitu:. Windows Vista
Lebih terperinciBAB II LANDASAN TEORI. 2.1 Peringkasan Teks Otomatis (Automatic Text Summarization) Peringkasan Teks Otomatis (Automatic Text Summarization) merupakan
BAB II LANDASAN TEORI 2.1 Peringkasan Teks Otomatis (Automatic Text Summarization) Peringkasan Teks Otomatis (Automatic Text Summarization) merupakan pembuatan rangkuman dari sebuah sumber teks secara
Lebih terperinciBAB 3 MODEL DASAR DINAMIKA VIRUS HIV DALAM TUBUH
BAB 3 MODEL DASA DINAMIKA VIUS HIV DALAM TUBUH 3.1 Moel Dasar Moel asar inamika virus HIV alam tubuh menggunakan beberapa asumsi sebagai berikut: Mula-mula tubuh alam keaaan tiak terinfeksi virus atau
Lebih terperinciDETEKSI API REAL-TIME DENGAN METODE THRESHOLDING RERATA RGB
ISSN: 1693-6930 17 DETEKSI API REAL-TIME DENGAN METODE THRESHOLDING RERATA RGB Kartika Firausy, Yusron Saui, Tole Sutikno Program Stui Teknik Elektro, Fakultas Teknologi Inustri, Universitas Ahma Dahlan
Lebih terperinci=== BENTUK KANONIK DAN BENTUK BAKU ===
TEKNIK DIGITL === ENTUK KNONIK DN ENTUK KU === entuk Kanonik yaitu Fungsi oolean yang iekspresikan alam bentuk SOP atau POS engan minterm atau maxterm mempunyai literal yang lengkap. entuk aku yaitu Fungsi
Lebih terperinciBAB III LANDASAN TEORI. Beton bertulang merupakan kombinasi antara beton dan baja. Kombinasi
16 BAB III LANDASAN TEORI 3.1. Umum Beton bertulang merupakan kombinasi antara beton an baja. Kombinasi keuanya membentuk suatu elemen struktur imana ua macam komponen saling bekerjasama alam menahan beban
Lebih terperinciKombinasi Gaya Tekan dan Lentur
Mata Kuliah Koe SKS : Perancangan Struktur Beton : CIV-204 : 3 SKS Kombinasi Gaya Tekan an Lentur Pertemuan 9,10,11 Sub Pokok Bahasan : Analisis an Desain Kolom Penek Kolom aalah salah satu komponen struktur
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Stemming Stemming merupakan suatu proses atau cara dalam menemukan kata dasar dari suatu kata. Stemming sendiri berfungsi untuk menghilangkan variasi-variasi morfologi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Kata Pengertian kata secara sederhana adalah sekumpulan huruf yang mempunyai arti. Dalam kamus besar bahasa indonesia (KBBI) pengertian kata adalah unsur bahasa yang diucapkan
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Hasil Tampilan Aplikasi IV.1.1 Tampilan Aplikasi untuk Pengguna 1. Halaman Home Halaman ini merupakan halaman pertama saat pengguna membuka aplikasi. Gambar IV.1 Tampilan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Kebutuhan akan informasi yang sangat luas dan tidak terbatas seiring dengan sumber informasi yang banyak merupakan suatu bukti konkret bahwa informasi sangat dibutuhkan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan rangkaian dari langkah-langkah yang diterapkan dalam penelitian, secara umum dan khusus langkah-langkah tersebut tertera pada Gambar flowchart
Lebih terperinciJurnal String Vol.1 No.2 Tahun 2016 ISSN :
PERBANDINGAN ALGORITMA STEMMING PORTER DENGANARIFIN SETIONO UNTUK MENENTUKAN TINGKAT KETEPATAN KATA DASAR Dian Novitasari Program Studi Teknik Informatika, Universitas Indraprasta PGRI Emai : diannovita.unindra@gmail.com
Lebih terperinciDIFERENSIAL FUNGSI SEDERHANA
DIFERENSIAL FUNGSI SEDERHANA Salah satu metoe yang cukup penting alam matematika aalah turunan (iferensial). Sejalan engan perkembangannya aplikasi turunan telah banyak igunakan untuk biang-biang rekayasa
Lebih terperinciBAB 3 LANDASAN TEORI
BAB 3 LANDASAN TEORI 3.1 Twitter API Application Programming Interface (API) merupakan fungsi-fungsi/perintah-perintah untuk menggantikan bahasa yang digunakan dalam system calls dengan bahasa yang lebih
Lebih terperinciMAKALAH TUGAS AKHIR DIMENSI METRIK PADA PENGEMBANGAN GRAPH KINCIR DENGAN POLA K 1 + mk n
MAKALAH TUGAS AKHIR DIMENSI METRIK PADA PENGEMBANGAN GRAPH KINCIR DENGAN POLA K 1 + mk n Oleh : JOHANES ARIF PURWONO 105 100 00 Pembimbing : Drs. Suhu Wahyui, MSi 131 651 47 ABSTRAK Graph aalah suatu sistem
Lebih terperinciBAB I PENDAHULUAN. informasi pada ruang lingkup besar (biasanya disimpan di komputer). Di era
BAB I PENDAHULUAN 1.1 Latar Belakang Information retrieval atau disingkat dengan IR adalah menemukan bahan (dokumen) dari dokumen terstruktur (biasanya teks) yang memenuhi kebutuhan informasi pada ruang
Lebih terperinciBAB V KAPASITOR. (b) Beda potensial V= 6 volt. Muatan kapasitor, q, dihitung dengan persamaan q V = ( )(6) = 35, C = 35,4 nc
BAB KAPASITOR ontoh 5. Definisi kapasitas Sebuah kapasitor 0,4 imuati oleh baterai volt. Berapa muatan yang tersimpan alam kapasitor itu? Jawab : Kapasitas 0,4 4 0-7 ; bea potensial volt. Muatan alam kapasitor,,
Lebih terperinciBAB II DASAR TEORI. II.1 Saham
BAB II DASAR TEORI Paa bab ini akan ijelaskan asar teori yang igunakan selama pelaksanaan Tugas Akhir ini: saham, analisis funamental, analisis teknis, moving average, oscillator, an metoe Relative Strength
Lebih terperinciSURAT KETERANGAN TUGAS AKHIR
SURAT KETERANGAN TUGAS AKHIR Sesuai engan persetujuan ari Ketua Jurusan Teknik Sipil, Fakultas Teknik Universitas Kristen Maranatha, melalui surat 812/TA/FTS/UKM/III/2004 tanggal 9 Februari 2004, engan
Lebih terperinciJurnal Teknika ISSN : Fakultas Teknik Universitas Islam Lamongan Volume 2 No.2 Tahun 201
akultas Teknik Universitas Islam Lamongan Volume 2 No.2 Tahun 20 PEMBUATAN APLIKASI SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN DALAM PENGEMBANGAN INDUSTRI POTENSIAL DENGAN METODE PROMETHEE II Ahma Jalaluin )
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Information Retrieval Perkembangan teknologi internet yang sangat pesat membuat pengguna harus dapat menyaring informasi yang dibutuhkannya. Information retrieval atau sistem
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Klasifikasi Klasifikasi merupakan suatu pekerjaan menilai objek data untuk memasukkannya ke dalam kelas tertentu dari sejumlah kelas yang tersedia. Dalam klasifikasi ada dua pekerjaan
Lebih terperinciAnalisis Stabilitas Lereng
Analisis Stabilitas Lereng Lereng Slope Stability Dr.Eng.. Agus Setyo Muntohar, S.T.,M.Eng.Sc. Faktor Keamanan (Factor of Safety) Faktor aman (FS): nilai baning antara gaya yang menahan an gaya yang menggerakkan.
Lebih terperinciPEMODELAN Deskripsi Masalah
PEMODELAN Deskripsi Masalah Sebelum membuat penjawalan perkuliahan perlu iketahui semua mata kuliah yang itawarkan, osen yang mengajar, peserta perkuliahan, bobot sks an spesifikasi ruang yang iperlukan.
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN Analisis dan perancangan berfungsi untuk mempermudah, memahami dan menyusun perancangan pada bab selanjutnya. Selain itu juga berfungsi untuk memberikan gambaran dan solusi
Lebih terperinciSistem Temu Kembali Informasi pada Dokumen Teks Menggunakan Metode Term Frequency Inverse Document Frequency (TF-IDF)
Sistem Temu Kembali Informasi pada Dokumen Teks Menggunakan Metode Term Frequency Inverse Document Frequency (TF-IDF) 1 Dhony Syafe i Harjanto, 2 Sukmawati Nur Endah, dan 2 Nurdin Bahtiar 1 Jurusan Matematika,
Lebih terperinci. P GEOMETRI RUANG 3 11/21/2015. A. Menggambar dan Menghitung Jarak. Peta Konsep. A. Menggambar dan Menghitung jarak. Nomor M5201
Peta Konsep Jurnal Peta Konsep aftar air Materi Materi MIP OMTRI RUN 3 Kelas XII, Semester Menggambar an Menghitung jarak eometri Ruang 3 Menggambar an Menghitung Jarak Menggambar an Menghitung Suut SoalLatihan
Lebih terperinciPENDAHULUAN. Latar belakang
Latar belakang PEDAHULUA Kata kunci atau yang biasa disebut dengan query pada pencarian informasi dari sebuah search engine digunakan sebagai kriteria pencarian yang tepat dan sesuai dengan kebutuhan.
Lebih terperinciBAB 3 PERANCANGAN 3.1 GAMBARAN UMUM PROSES SEGMENTASI DOKUMEN
28 BAB 3 PERANCANGAN Pada bab ini akan dijelaskan mengenai rancangan percobaan pada penelitian segmentasi dokumen ini. Pembahasan akan dimulai dengan penjelasan mengenai gambaran umum proses segmentasi
Lebih terperinciText Pre-Processing. M. Ali Fauzi
Text Pre-Processing M. Ali Fauzi Latar Belakang Latar Belakang Dokumen-dokumen yang ada kebanyakan tidak memiliki struktur yang pasti sehingga informasi di dalamnya tidak bisa diekstrak secara langsung.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peringkasan Teks Otomatis (Automatic Text Summarization) Peringkasan Teks Otomatis (Automatic Text Summarization) merupakan pembuatan rangkuman dari sebuah sumber teks secara
Lebih terperinciMODIFIKASI ALGORITMA PORTER UNTUK STEMMING PADA KATA BAHASA INDONESIA
MODIFIKASI ALGORITMA PORTER UNTUK STEMMING PADA KATA BAHASA INDONESIA Badrus Zaman Program Studi Sistem Informasi, Fakultas Sains dan Teknologi, Universitas Airlangga Jl. Dr. Ir. Soekarno MERR Surabaya
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Text Mining Text mining merupakan teknik yang digunakan untuk menangani masalah klasifikasi, clustering, information extraction, dan information retrieval (Berry & Kogan, 2010).
Lebih terperinciVIII. ALIRAN MELALUI LUBANG DAN PELUAP
VIII. ALIRAN MELALUI LUBANG DAN PELUAP 8.. Penahuluan Lubang aalah bukaan paa ining atau asar tangki imana zat cair mengalir melaluinya. Lubang tersebut bisa berbentuk segi empat, segi tiga, ataupun lingkaran.
Lebih terperinciAnalisa dan Evaluasi Afiks Stemming untuk Bahasa Indonesia
ISSN : 088-9984 Seminar Nasional dan ExpoTeknik Elektro 0 Analisa dan Evaluasi Afiks Stemming untuk Bahasa Indonesia Jiwa Malem Marsya ) dan Taufik Fuadi Abidin ) ) Data Mining and IR Research Group FMIPA
Lebih terperinciMETODE PENELITIAN Data Langkah-Langkah Penelitian
METODE PENELITIAN Data Inonesia merupakan salah satu negara yang tiak mempunyai ata vital statistik yang lengkap. Dengan memperhatikan hal tersebut, sangat tepat menggunakan Moel CPA untuk mengukur tingkat
Lebih terperinciBAB I PENDAHULUAN. Kata-kata Bahasa Indonesia kaya akan imbuhan. Kurang lebih ada sekitar
BAB I PENDAHULUAN 1.1. LATAR BELAKANG Kata-kata Bahasa Indonesia kaya akan imbuhan. Kurang lebih ada sekitar 35 imbuhan resmi yang disebutkan dalam Kamus Besar Bahasa Indonesia. Imbuhan-imbuhan ini dapat
Lebih terperinciANALISAPERHITUNGANWAKTU PENGALIRAN AIR DAN SOLAR PADA TANGKI
ANALISAPERITUNGANWAKTU PENGALIRAN AIR DAN SOLAR PADA TANGKI Nurnilam Oemiati Staf Pengajar Jurusan Sipil Fakultas Teknik Universitas Muhammaiyah Palembang Email: nurnilamoemiatie@yahoo.com Abstrak paa
Lebih terperinciUKDW 1. BAB 1 PENDAHULUAN Latar Belakang Masalah
1. BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Universitas yang baik dan terpercaya selalu memperhatikan perkembangan dan kondisi yang terjadi di universitas tersebut, salah satunya dengan memantau kinerja
Lebih terperincicommit to user BAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Cosine Similarity Secara umum, fungsi similarity adalah fungsi yang menerima dua buah objek dan mengembalikan nilai kemiripan (similarity) antara kedua objek
Lebih terperinciRecommender System di Perpustakaan Universitas Kristen Petra menggunakan Rocchio Relevance Feedback dan Cosine Similarity
Recommender System di Perpustakaan Universitas Kristen Petra menggunakan Rocchio Relevance Feedback dan Cosine Similarity Adi Wiboo, Andreas Handoo, Minardi Taliang adi@petra.ac.id, handoo@petra.ac.id,
Lebih terperinciSISTEM PENCARIAN PASAL-PASAL PADA KITAB UNDANG-UNDANG HUKUM PIDANA DENGAN MENGGUNAKAN METODE TF-IDF. Abstrak
SISTEM PENCARIAN PASAL-PASAL PADA KITAB UNDANG-UNDANG HUKUM PIDANA DENGAN MENGGUNAKAN METODE TF-IDF Muh. Alfarisi Ali¹, Moh. Hidayat Koniyo², Abd. Aziz Bouty³ ¹Mahasiswa Teknik Informatika Universitas
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI AN EVALUASI Pada bab ini, disajikan spesifikasi sistem yang digunakan, pengujian program serta hasil pengujian. Pengujian dilakukan dengan melakukan pencarian kata kunci terhadap sejumlah
Lebih terperinciAx b Cx d dan dua persamaan linier yang dapat ditentukan solusinya x Ax b dan Ax b. Pada sistem Ax b Cx d solusi akan
SOLUSI SISTEM PERSAMAAN LINIER PADA ALJABAR MAX-PLUS Bui Cahyono Peniikan Matematika, FSAINSTEK, Universitas Walisongo Semarang bui_oplang@yahoo.com Abstrak Dalam kehiupan sehari-hari seringkali kita menapatkan
Lebih terperinciSTEMMING KATA KERJA BAHASA INDONESIA PADA FILE TEKS MENGGUNAKAN ALGORITMA LOVINS DAN ALGORITMA PAICE/HUSK. Proposal Tugas Akhir. Logo kampus.
Disiapkan Oleh: Sunaryo, S.Kom Email: sunaryo.online@gmail.com STEMMING KATA KERJA BAHASA INDONESIA PADA FILE TEKS MENGGUNAKAN ALGORITMA LOVINS DAN ALGORITMA PAICE/HUSK Proposal Tugas Akhir Logo kampus
Lebih terperinciNama : Irine Linawati NIM : BAB V TATARAN LINGUISTIK (2) = MORFOLOGI
Nama : Irine Linawati NIM : 1402408306 BAB V TATARAN LINGUISTIK (2) = MORFOLOGI Fonem adalah satuan bunyi terkecil dari arus ujaran. Satuanfonem yang fungsional itu ada satuan yang lebih tinggi yang disebut
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Ketersediaan informasi yang semakin banyak menjadikan ringkasan sebagai kebutuhan yang sangat penting (Mulyana, 2010). Menurut (Hovy, 2001) Ringkasan merupakan teks
Lebih terperinciPemodelan Penilaian Essay Otomatis Secara Realtime Menggunakan Kombinasi Text Stemming Dan Cosine Similarity
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Pemodelan Penilaian Essay Otomatis Secara Realtime Menggunakan Kombinasi Text Stemming Dan Cosine Similarity Komang Rinartha
Lebih terperinciPraktikum Total Quality Management
Moul ke: 09 Dr. Fakultas Praktikum Total Quality Management Aries Susanty, ST. MT Program Stui Acceptance Sampling Abstract Memberikan pemahaman tentang rencana penerimaan sampel, baik satu tingkat atau
Lebih terperincicommit to user 5 BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori Text mining
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Text mining Text mining adalah proses menemukan hal baru, yang sebelumnya tidak diketahui, mengenai informasi yang berpotensi untuk diambil manfaatnya dari
Lebih terperinciJUDUL PENUH MENGGUNAKAN HURUF KAPITAL
Saintia Matematika Vol. XX, No. XX (XXXX), pp. 17 24. JUDUL PENUH MENGGUNAKAN HURUF KAPITAL Penulis Abstrak. Ketikkan Abstrak Ana i sini. Sebaiknya tiak lebih ari 250 kata. Abstrak sebaiknya menjelaskan
Lebih terperinciIV. ANALISA RANCANGAN
IV. ANALISA RANCANGAN A. Rancangan Fungsional Dalam penelitian ini, telah irancang suatu perontok pai yang mempunyai bentuk an konstruksi seerhana an igerakkan engan menggunakan tenaga manusia. Secara
Lebih terperinciPERSAMAAN DIFFERENSIAL. Disusun untuk memenuhi tugas mata kuliah Matematika
PERSAMAAN DIFFERENSIAL Disusun untuk memenuhi tugas mata kuliah Matematika Disusun oleh: Aurey Devina B 1211041005 Irul Mauliia 1211041007 Anhy Ramahan 1211041021 Azhar Fuai P 1211041025 Murni Mariatus
Lebih terperinciBAB I. Pendahuluan. 1. Latar Belakang Masalah
BAB I Pendahuluan 1. Latar Belakang Masalah Semakin canggihnya teknologi di bidang komputasi dan telekomunikasi pada masa kini, membuat informasi dapat dengan mudah didapatkan oleh banyak orang. Kemudahan
Lebih terperinciPANJANG PENYALURAN TULANGAN
131 6 PANJANG PENYALURAN TULANGAN Penyauran gaya seara sempurna ari baja tuangan ke beton yang aa i sekeiingnya merupakan syarat yang muthak harus ipenuhi agar beton bertuang apat berfungsi engan baik
Lebih terperinciPERENCANAAN PENULANGAN LENTUR DAN GESER BALOK PERSEGI MENURUT SNI 03-847-00 Slamet Wioo Staf Pengajar Peniikan Teknik Sipil an Perenanaan FT UNY Balok merupakan elemen struktur yang menanggung beban layan
Lebih terperinciIMPLEMENTASI TEKNIK FEATURE MORPHING PADA CITRA DUA DIMENSI
IMPLEMENTSI TEKNIK FETURE MORPHING PD CITR DU DIMENSI Luciana benego an Nico Saputro Jurusan Intisari Pemanfaatan teknologi animasi semakin meluas seiring engan semakin muah an murahnya penggunaan teknologi
Lebih terperinciF = M a Oleh karena diameter pipa adalah konstan, maka kecepatan aliran di sepanjang pipa adalah konstan, sehingga percepatan adalah nol, d dr.
Hukum Newton II : F = M a Oleh karena iameter pipa aalah konstan, maka kecepatan aliran i sepanjang pipa aalah konstan, sehingga percepatan aalah nol, rr rr( s) rs rs( r r) rrs sin o Bentuk tersebut apat
Lebih terperinciPENYUSUNAN STRONG S CONCORDANCE UNTUK ALKITAB PERJANJIAN BARU BAHASA INDONESIA.
PENYUSUNAN STRONG S CONCORDANCE UNTUK ALKITAB PERJANJIAN BARU BAHASA INDONESIA Gunawan 1, Devi Dwi Purwanto, Herman Budianto, dan Indra Maryati 1 Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut
Lebih terperinciBAB 6 P E G A S M E K A N I S
BAB 6 P E G A S M E K A N I S Pegas, aalah suatu elemen mesin yang memperoleh gaya bila iberi perubahan bentuk. Pegas mekanis ipakai paa Mesin untuk menesakan gaya, untuk menyeiakan lenturan an untuk menyimpan
Lebih terperinciContoh Perhitungan Kemiripan Cosinus pada Model Ruang Vektor
Contoh Perhitungan Kemiripan Cosinus pada Model Ruang Vektor Persoalan 1: Ada 4 dokumen (D1 s.d D4): D1: dolar naik harga naik penghasilan turun D2: harga naik harusnya gaji juga naik D3: Premium tidak
Lebih terperinciAPLIKASI PENENTUAN KATA DASAR DARI KATA BERIMBUHAN PADA KALIMAT BAHASA INDONESIA DENGAN ALGORITMA STEMMING
APLIKASI PENENTUAN KATA DASAR DARI KATA BERIMBUHAN PADA KALIMAT BAHASA INDONESIA DENGAN ALGORITMA STEMMING Julianto Wibowo Mahasiswa Program Studi Teknik Informatika, STMIK Budi Darma Medan Jl. Sisimangaraja
Lebih terperinciSTEMMING FIRDAUS SOLIHIN UNIVERSITAS TRUNOJOYO. Firdaus Solihin (unijoyo) 2008
STEMMING FIRDAUS SOLIHIN UNIVERSITAS TRUNOJOYO Stemming menghapus variasi kata untuk mendapatkan kata dasar sebagai term pembeda, yang mengacu pada morfologi kata Contoh Himpunan {kerja, bekerja, pekerja,
Lebih terperinciEJAAN DAN MORFOLOGI PERTEMUAN KETIGA
EJAAN DAN MORFOLOGI PERTEMUAN KETIGA Pengertian EJAAN Ejaan ialah keseluruhan peraturan bagaimana melambangkan bunyi-bunyi ujaran melalui huruf, menetapkan tanda-tanda baca, memenggal kata, dan bagaimana
Lebih terperinciBAB II KONSEP, LANDASAN TEORI, DAN TINJAUAN PUSTAKA
BAB II KONSEP, LANDASAN TEORI, DAN TINJAUAN PUSTAKA 2.1 Konsep dan Landasan Teori 2.1.1 Konsep Morfologi adalah ilmu yang mempelajari seluk-beluk bentuk kata serta fungsi perubahan-perubahan bentuk kata
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN Dalam bab ini akan dijabarkan analisa, yang meliputi analisa masalah dan gambaran umum masalah yang sedang dibahas, perancangan sistem serta desain antarmuka (user interface)
Lebih terperinciUN SMA IPA 2009 Matematika
UN SMA IPA 009 Matematika Koe Soal P88 Doc. Name: UNSMAIPA009MATP88 Doc. Version : 0-0 halaman 0. Perhatikan premis-premis berikut ini : :Jika Ai muri rajin maka Ai muri panai :Jika Ai muri panai maka
Lebih terperinciPemanfaatan Aljabar Vektor Pada Mesin Pencari
Pemanfaatan Aljabar Vektor Pada Mesin Pencari Anwar Ramadha 13514013 Program Studi Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia
Lebih terperinciPENCARIAN FULL TEXT PADA KOLEKSI SKRIPSI FAKULTAS TEKNIK UHAMKA MENGGUNAKAN METODE VECTOR SPACEMODEL
Vol. 2, 2017 PENCARIAN FULL TEXT PADA KOLEKSI SKRIPSI FAKULTAS TEKNIK UHAMKA MENGGUNAKAN METODE VECTOR SPACEMODEL Miftahul Ari Kusuma 1*, Mia Kamayani 2, Arry Avorizano 3 Program Studi Teknik Informatika,
Lebih terperinciTEMU KEMBALI INFORMASI
JULIO ADISANTOSO Departemen Ilmu Komputer IPB Pertemuan 3 MODEL IR Konsep IR Model IR Konsep Boolean Model Pemodelan IR Model IR Konsep Boolean Model Model IR didefinisikan sebagai empat komponen, yaitu:
Lebih terperinciMAXIMUM MARGINAL RELEVANCE UNTUK PERINGKASAN TEKS OTOMATIS SINOPSIS BUKU BERBAHASA INDONESIA
MAXIMUM MARGINAL RELEVANCE UNTUK PERINGKASAN TEKS OTOMATIS SINOPSIS BUKU BERBAHASA INDONESIA Aida Indriani ) ) Teknik Informatika STMIK PPKIA Tarakanita Rahmawati Tarakan Jl Yos Sudarso 8, Tarakan 77 Email
Lebih terperinciPENGARUH KECEPATAN ANGIN TERHADAP EVAPOTRANSPIRASI BERDASARKAN METODE PENMAN DI KEBUN STROBERI PURBALINGGA
PENGARUH KECEPATAN ANGIN TERHADAP EVAPOTRANSPIRASI BERDASARKAN METODE PENMAN DI KEBUN STROBERI PURBALINGGA Nurhayati Fakultas Sains an Teknologi, UIN Ar-Raniry Bana Aceh nurhayati.fst@ar-raniry.ac.i Jamru
Lebih terperinciBAB V EKSPERIMEN TEXT CLASSIFICATION
BAB V EKSPERIMEN TEXT CLASSIFICATION Pada bab ini akan dibahas eksperimen untuk membandingkan akurasi hasil text classification dengan menggunakan algoritma Naïve Bayes dan SVM dengan berbagai pendekatan
Lebih terperincimatriks A. PENGERTIAN MATRIKS Persija Persib baris
Kolom 1. Pengertian Matriks matriks A. PENGERTIAN MATRIKS Dalam kehiupan sehari-hari an alam matematika, berbagai keterangan seringkali isajikan alam bentuk matriks. Contoh 1: Hasil pertaningan grup I
Lebih terperinciKONTRAK PERKULIAHAN TEMU KEMBALI INFORMASI KOM431
KONTRAK PERKULIAHAN TEMU KEMBALI INFORMASI KOM431 KOORDINATOR MATA AJARAN TEMU KEMBALI INFORMASI DEPARTEMEN ILMU KOMPUTER INSTITUT PERTANIAN BOGOR TAHUN 2011/2012 KONTRAK PERKULIAHAN Nama Matakuliah :
Lebih terperincidimana P(A B) artinya peluang A jika diketahui keadaan B. Kemudian dari persamaan 2.1 didapatkan persamaan 2.2.
1.1 Naive Bayes Classifier Naive bayes classifier merupakan salah satu metode machine learning yang dapat digunakan untuk klasifikasi suatu dokumen. Teorema bayes berawal dari persamaan 2.1, yaitu: (2.1)
Lebih terperinciBAB I PENDAHULUAN. Perkembangan dunia usaha saat ini mengalami peningkatan yang pesat.
BAB I PENDAHULUAN 1.1. Latar Belakang Perkembangan unia usaha saat ini mengalami peningkatan yang pesat. Peningkatan itu isebabkan karena kebutuhan an keinginan konsumen yang semakin bervariasi. Aanya
Lebih terperinciBAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah Analisis Kebutuhan Analisis Masalah
BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah 3.1.1 Analisis Kebutuhan Ada banyak hal yang berhubungan dengan sastra atau ilmu bahasa yang dapat diterapkan di dalam teknologi, seperti penerjemahan
Lebih terperinciStemming pada Preprocessing Twit Berbahasa Indonesia dengan Mengimplementasikan Algoritma Fonetik Soundex untuk Proses Klasifikasi
Stemming pada Preprocessing Twit Berbahasa Indonesia dengan Mengimplementasikan Algoritma Fonetik Soundex untuk Proses Klasifikasi Stemming in Indonesian Language Twit Preprocessing Implementing Phonetic
Lebih terperinciANALISIS STABILITAS LERENG DENGAN SIMPLIFIED BISHOP METHOD dan JANBU MENGGUNAKAN PROGRAM MATHCAD
ANALISIS STABILITAS LERENG DENGAN SIMPLIFIED BISHOP METHOD an JANBU MENGGUNAKAN PROGRAM MATHCAD YOSEPHINA NOVALIA NRP : 0521034 Pembimbing : Ir. Ibrahim Surya, M.Eng. FAKULTAS TEKNIK JURUSAN TEKNIK SIPIL
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR. Analisis Teknik Penyambungan Secara Fusi Pada Serat Optik Ragam Tunggal. Oleh : Nama : Agus Setiyawan Nim : L2F
MAKALAH SEMINAR TUGAS AKHIR Analisis Teknik Penyambungan Secara Fusi Paa Serat Optik Ragam Tunggal Oleh : Nama : Agus Setiyaan Nim : LF 31 419 Kebutuhan akan serat optik yang tinggi serta kompleksitas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Peringkas Teks Otomatis Berikut ini akan dibahas mengenai teori-teori peringkas teks otomatis dalam beberapa subbab, yaitu sebagai berikut: 2.1.1 Definisi Peringkas Teks Otomatis
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Tinjauan Penelitian Terdahulu Penelitian sebelumnya dilakukan oleh Rahmatulloh (2016). Penelitian yang berjudul Rancang Bangun Sistem Informasi Pencarian Benda Hilang Lost &
Lebih terperinciPENALAAN KENDALI PID UNTUK PENGENDALI PROSES
PENALAAN KENDALI PID UNTUK PENGENDALI PROSES Raita.Arinya Universitas Satyagama Jakarta Email: raitatech@yahoo.com Abstrak Penalaan parameter kontroller PID selalu iasari atas tinjauan terhaap karakteristik
Lebih terperinciBAB 5 TATARAN LINGUISTIK
Nama : Wara Rahma Puri NIM : 1402408195 BAB 5 TATARAN LINGUISTIK 5. TATARAN LINGUISTIK (2): MORFOLOGI Morfem adalah satuan gramatikal terkecil yang mempunyai makna. 5.1 MORFEM Tata bahasa tradisional tidak
Lebih terperinci