Information Retrieval
|
|
- Djaja Iskandar
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Information Retrieval Selayang Pandang Husni.Trunojoyo.ac.id
2 Bagian I Internet (Web) Mutakhir Apa itu Information Retrieval Representasi Teks dalam IR Model Temu-Kembali Boolean Model Ruang Vektor
3 Retrieval dan Search Temu-Kembali dan Pencarian Hal apa yang terpikirkan saat mendengar information retrieval? Hal apa yang paling dekat dipikiran saat membahas kata search atau search engine?
4 Retrieval and Search Search Engine
5 Internet (Web) Mutakhir
6 Ukuran Internet (per 27 Agustus 2017) Web Terindeks: setidaknya 4.59 milyar halaman
7 Jumlah Website
8 Pengguna Internet
9 Pengguna Internet
10 Update Internet
11
12
13 Pertumbuhan Tahunan
14 Search Engine Market Share
15 6,586,013,574 Pencarian per-hari... Search Engine Pencarian per-hari Google 4,464,000,000 Bing 873,964,000 Baidu 583,520,803 Yahoo 536,101,505 Other (AOL, Ask dll.) 128,427,264
16 Search Engine: Google
17
18 Recommender System
19 Information Retrieval Information retrieval (IR) is finding material (usually documents) of an unstructured nature (usually text) that satisfies an information need from within large collections (usually stored on computers) [Manning, 2008]. Information retrieval (IR) is the activity of obtaining information resources relevant to an information need from a collection of information resources [Wikipedia].
20 Information Retrieval (IR) = Temu-Kembali Informasi (TKI)
21 IR itu Arsitektur Search Engine Query User Interface Caching Pages Sisi Online Kemiripan & Ranking Sisi Offline Inverted Index Halaman Tersimpan Statistika Situs & Halaman Pembangkit Index Pengurai Halaman Pembangkit Graf Web Graf Web Halaman Kata Tautan & Anchors Crawler Ranking Halaman Analisa Tautan Internet
22 Web Crawler Sisi Online Sisi Offline Inverted Index Halaman Tersimpan User Interface Caching Pages Indexing & Ranking Pembangkit Index Analisa Tautan Pengurai Halaman Pembangkit Graf Web Graf Web Halaman Query Kata Tautan & Anchors Fungsi Mengambil (Fetch) halaman web dengan mengikuti hyperlink Me-refresh halaman secara periodik Masalah Inti Bandwidth & storage terbatas vs. volume data sangat besar Frekuensi update halaman Solusi Ranking Halaman Prioritaskan crawling berdasarkan pada ranking halaman dan statistik lain Statistika Situs & Halaman Crawler Internet
23 Page Parser: Pengurai Halaman Web Sisi Online Sisi Offline Inverted Index Halaman Tersimpan Statistika Situs & Halaman Query User Interface Caching Pages Indexing & Ranking Pembangkit Index Pengurai Halaman Pembangkit Graf Web Graf Web Halaman Kata Tautan & Anchors Crawler Internet Fungsi Mengekstrak aliran data untuk indexing a. Title: kata-kata dalam <title> </title> b. URL c. Body Teks Anchor Ranking Halaman Teks Plain Analisa Tautan H1 6 Bold, Italic, etc Large, Medium, Small Membangun peta link parsial Mengirim hyperlink yang ditemukan ke crawler Masalah Inti Fitur apa yang akan diekstrak?
24 Pembangkit Index Query User Interface Caching Pages Fungsi Membangun inverted index berdasarkan pada data halaman yang telah diparse Sisi Online Sisi Offline Inverted Index Halaman Tersimpan Statistika Situs & Halaman Indexing & Ranking Pembangkit Index Pengurai Halaman Pembangkit Graf Web Graf Web Halaman Kata Tautan & Anchors Crawler Internet Ranking Halaman Analisa Tautan Masalah Inti Efisiensi vs. memory terbatas & terdistribusi Solusi Indexing terdistribusi Partisi berdasarkan dokumen, bukan partisi berdasarkan term
25 Relevansi & Ranking Sisi Online Sisi Offline Inverted Index Halaman Tersimpan Statistika Situs & Halaman Query User Interface Caching Pages Indexing & Ranking Pembangkit Index Pengurai Halaman Pembangkit Graf Web Graf Web Halaman Kata Tautan & Anchors Crawler Internet Masalah utama dalam IR dan telah dikaji puluhan tahun Fungsi Indexing: dengan cepat menemukan halaman yang mengandung term query Ranking: mengurutkan halaman sesuai dengan relevansi terhadap query Masalah Inti Kinerja: inverted list untuk suatu term hot mungkin Ranking ratusan megabyte. Analisa Tautan Halaman Akurasi: fungsi ranking dengan ratusan parameter: Teks Anchor Ranking halaman Term proximity TF*IDF Solusi Kinerja: Top-K query & index pruning Akurasi: Tuning atau learning?
26 Caching Query User Interface Caching Pages Fungsi Men-cache hasil dari query yang sering untuk menjawab ribuan query per detik dengan waktu respon interaktif Sisi Online Sisi Offline Inverted Index Halaman Tersimpan Statistika Situs & Halaman Indexing & Ranking Pembangkit Index Pengurai Halaman Pembangkit Graf Web Graf Web Halaman Kata Tautan & Anchors Crawler Masalah Inti Apa yang dicache? Ranking Halaman Solusi Analisa Tautan Cahing banyak level Level Query Level Term Internet
27 Tentang Saya Husni Web site : Husni.trunojoyo.ac.id husni@trunojoyo.ac.id Ruang kerja: Lab. SisTer, Teknik Informatika, UTM. Bidang Keahlian: Networking Web Application Development (Web) Text Mining (Retrieval) & Searching
28 Setelah Tutorial ini, Anda akan 1. Memahami pentingnya information retrieval 2. Memperoleh pengetahuan mengenai prinsip-prinsip dari daris sistem temu-kembali informasi 3. Memahami proses pembangunan search engine sederhana, mulai dari pre-processing s.d penanganan query pengguna 4. Memperoleh pemahaman dasar dari tiga paradigm IR Wajib: Model Boolean dan Ruang Vektor
29 Outline Apa itu IR? Representasi teks dalam sistem IR Model temu-kembali Boolean Model ruang vektor Temu-kembali Probabilitas klasik Pemodelan Bahasa untuk Sistem Temu-Kembali Perangkat (tools) IR
30 Referensi C. Manning, P. Raghavan and H. Schutze (2008) Introduction to Information Retrieval, Cambridge University Press Versi gratis tersedia di: Bruce Croft, Donald Metzler, Trevor Strohman (2010) Search Engines: Information Retrieval in Practice, Addison Wesley Edisi revisi (2015) tersedia gratis di: ciir.cs.umass.edu/downloads/seirip.pdf Husni.trunojoyo.ac.id
31
32 Apa itu Information Retrieval?
33 What is IR? Information retrieval (Wikipedia) The activity of obtaining information resources relevant to a user s information need from a collection of information resources. Elemen dari suatu sistem information retrieval: Kebutuhan informasi (need, diekspresikan oleh pengguna dalam bentuk query) Sumber daya informasi (resources, biasanya tak terstruktur (unstructured): text, images, video, audio, dll. Komponen untuk retrieval sumber daya relevan secara efisien terhadap kebutuhan informasi pengguna, biasanya dari koleksi besar sumber informasi.
34 Kebutuhan Informasi Kebutuan informasi adalah kemauan individu atau kelompok untuk mencari dan mendapatkan informasi untuk memenuhi kebutuhan sadar atau bawah sadar. Kebutuhan dan ketertarikan terhadap informasi. (Robert S. Taylor: The process of asking questions, 2007) Kebutuhan informasi tersebut diekspreskan melalui query Kata atau frasa dalam text information retrieval (misal: serangan ISIS ) Citra (image) dalam image content retrieval
35 Mengapa Text Information Retrieval? Repositori besar sumber informasi tak-terstruktur Perusahaan: dokumen teknis, kontrak bisnis Pemerintah: dokumentasi, regulasi, undang-undang Materi ilmiah: naskah penelitian (seperti di Google Scholar) Personal: buku, blog, , file-file World Wide Web: paling membutuhakan IR karena skala terbesar dari semua
36 Text Information Retrieval Sistem yang memerlukan analisis teks fokus pada text information retrieval dimana model-model berlainan: Dalam merepresetasikan daftar dokumen dan query Dalam cara menetapkan relevansi dari dokumen terhadap query Relevansi dari dokumen adalah skor yang paling sering dijadikan acuan (bukan keputusan biner) Daftar dokumen diranking sesuai dengan skor kedekatan (kemiripan) terhadap query Skor relevansi biasanya melibatkan elemen ketidakpastian
37 Area Kajian Disiplin IR Web Crawling: menghimpun data dari Web Esktraksi Data: mengambil informasi dan URL dari halaman web Preprocessing: menerapkan aturan bahasa untuk memudahkan proses IR dan meningkatkan kualitas relevansi Indexing: membuat index (pemetaan term ke daftar dokumen) Penanganan Query: mendapatkan dokumen yang relevan dengan Query (kebutuhan informasi pengguna) Klasifikasi dan Klasterisasi: kategorisasi secara terpandu dan tidak Rekomendasi: memberikan dokumen yang sesuai dengan kebutuhan/profil pengguna, berdasarkan kemiripan dokumen atau kemiripan pengguna Evaluasi sistem IR: Presisi, Recall, F-Measure
38 Representasi Teks dalam IR
39 Representasi Teks dalam IR Representasi Tak-Terstruktur (unstructured) Teks diwujudkan sebagai suatu himpunan term tak-berurut (sehingga disebut representasi bag-of-words) Cukup banyak penyederhanaan: mengabaikan sintaks dan semantik Meskipun terlalu sederhana, kinerja retrieval dapat memuaskan Representasi Semi Terstruktur Beberapa term tertentu dianggap lebih penting (term lain diturunkan atau diabaikan) Frasa benda (NP), entitas bernama (named entities), dll. Representasi Terstruktur Hampir tidak digunakan dalam konteks IR Teknik Information extraction (IE) tidak cukup akurat Model IE dapat makan banyak waktu - tidak dapat diterima di IR
40 Representasi Dokumen Tak-Terstruktur Potongan dokumen One evening Frodo and Sam were walking together in the cool twilight. Both of them felt restless again. On Frodo suddenly the shadow of parting had falling: the time to leave Lothlorien was near. Bag of words {(One, 1), (evening, 1), (Frodo, 2), (and, 2), (Sam, 1) (were, 1), (walking, 1), (together, 1), (in, 1), (the, 3), (cool, 1), (twilight, 1), (Both, 1), (of, 2), (them, 1), (felt, 1), (restless, 1), (again, 1), (On, 1), (suddenly, 1), (shadow, 1), (parting, 1), (had, 1), (falling, 1), (time, 1), (to, 1), (leave, 1), (Lothlorien, 1), (was, 1), (near,1)}
41 Representasi Dokumen Semi-Terstruktur 1. Potongan y dokumen One evening Frodo and Sam were walking together in the cool twilight. Both of them felt restless again. On Frodo suddenly the shadow of parting had falling: the time to leave Lothlorien was near. Bag of nouns {(evening, 1), (Frodo, 2), (Sam, 1), (twilight, 1), (shadow, 1), (parting, 1), (time, 1), (Lothlorien, 1)} Bag of named entity terms {(Frodo, 2), (Sam, 1), (Lothlorien, 1)}
42 Preprocessing Dua langkah preprocessing paling umum Normalisasi morfologis: stemming atau lemmatization Penghapusan stop-word Normalisasi morfologis Mengubah berbagai bentuk kata yang sama ke bentuk umum Penting bagi Bahasa yang kaya morfologi, termasuk Indonesia Stemming (misal automation automat) lebih sering digunakan daripada lemmatization (misal automation automate). Bahasa lebih sering lemmatization, bukan stemming. Penghapusan stop words Penghapusan term-term yang miskin maknaseperti articles, prepositions, conjunctions, pronouns, dll. Cukup menyimpan kata berisi: nouns, verbs, adjectives, adverbs English stop words: Kedua metode mereduksi kardinalitas dari himpunan dokumen berbentuk bag-of-words dan secara umum meningkatkan kinerja IR
43 Formalisasi dari Model IR Model Retrieval Dasar adalah triple (f d, f q, r) dimana: 1. f d adalah fungsi yang memetakan dokumen ke representasi untuk retrieval, yaitu f d (d) = x d, dimana x d adalah representsi retrieval dari dokumen d, 2. f q adalah fungsi yang memetakan query ke representasi retrievalnya, yaitu f q (q) = x q, dimana x q adalah wujud retrieval dari query q, 3. r adalah fungsi ranking (pemeringkatan) Melibatkan representasi dokumen p d dan query p q Menghitung bilangan real untuk menunjukkan relevansi potensial dari dokumen d untuk query q berdasarkan p d dan p q relevansi(d, q) = r(f d (d), f q (q)) = r(x d, x q )
44 Term di Indeks & Bobotnya Index term adalah semua term dalam koleksi (atau kamus) Himpunan semua term K = {k 1, k 2,, k t }, dimana t adalah jumlah dari term Untuk setiap dokumen d j, setiap term k i diberikan suatu bobot w ij Bobot dari term yang tidak muncul dalam dokumen adalah 0 Dokumen d j direpresentasikan oleh vektor term [w 1j,w 2j, : : :,w tj ] Misalnya g adalah fungsi yang menghitung bobot, yaitu w ij = g(k i, d j ) Pilihan berbeda terhadap fungsi komputasi bobot g dan fungsi ranking r mendefinisikan model IR berbeda
45 Cara Kerja Sistem IR Cara Kerja Sistem IR
46 Indexing Dokumen Asli yang di-index Friends, Romans, About, You, Caesar, Countrymen Hapus tanda baca Ambil kata (term) Perubahan ke huruf kecil Penghapusan stop-word sinonimisasi stemming Petakan setiap term ke nomor dokumen Tokenizer Modul-modul Linguistik Indexer Aliran Token Friends Romans About You Caesar Countrymen Token hasil perubahan friend roman caesar countryman Inverted Index friend roman 1 2 caesar 3 17 countryman
47 Paradigma IR Model Information retrieval secara garis besar dibagi ke dalam 3 paradigma: Model teori himpunan Boolean model Extended Boolean model Model aljabar Vector space model Latent semantic indexing Model probabilistik Classic probabilistic model Language model Selain itu, ada model IR yang memanfaatkan algoritma analisis tautan (misalnya PageRank, HITS di Google) Biasanya digunakan dalam web retrieval yang dokumennya di (hyper)linked
48 Model Temu-Kembali Boolean
49 Model Retrieval Boolean Dokumen direpresentasikan sebagai bags of words Bobot term semuanya biner - w ij {0, 1} w ij = 1 iff term k i dapat ditemukan di dalam bag of words dari dokumen d j Query q diberikan sebagai formula logika proporsional terhadap term Term-term dihubungkan oleh operator Boolean (, ), dapat dinegasikan ( ) Setiap query q dapat diubah menjadi disjunctive normal form (DNF), q = q c1 q c2 q cn, dimana q cl adalah komponen ke-l dari DNF q Relevansi dokumen d j terhadap query q dihitung dengan rumus
50 Contoh Temu-Kembali Boolean Perhatikan himpunan term berikut: K = {Frodo, Sam, blue, sword, orc, Mord} Seandainya kita mempunyai dokumen berikut: d1: Frodo stabbed the orc with the red sword" d2: Frodo and Sam used the blue lamp to locate orcs" d3: Sam killed many orcs in Mordor with the blue sword" Dokumen mana yang relevan dengan query berikut? q1: (Frodo orc sword) (Frodo blue) {d1, d2} q2: (Sam blue) (Sam orc Mordor) {d2, d3}
51 Boolean Retrieval - Inverted Index Struktur data untuk komputasi retrieval yang efisien Inverted file berisi daftar rujukan ke dokumen untuk semua term Untuk koleksi D berisi dokumen berikut: d1: Frodo and Sam stabbed orcs." d2: Frodo stabbed the orc with the sword." d3: Sam stole Frodo's sword." Kita mempunyai inverted index berikut: L( Frodo") = {d1, d2, d3} L( Sam") = {d1, d3} L( orc") = {d1, d2} L( stab") = {d1, d2} L( sword") = {d2, d3} L( stole") = {d3}
52 Boolean Retrieval - Inverted Index Full inverted index juga menyimpan posisi setiap term dalam suatu dokumen Contoh Frodo": {(d1, 1), (d2, 1), (d3, 3)} Inverted index memungkinkan penanganan query Boolean via irisan dan gabungan himpunan q: (Frodo stab) (Sam orc) Hasilnya diperoleh dengan kpmputasi: rel (D, q) = (L( Frodo") L( stab")) (L( Sam") L( orc")) = ({d1, d2, d3} {d1, d2}) ({d1, d3} {d1, d2}) = {d1, d2} {d1} = {d1, d2}
53 Model Temu-Kembali Boolean Kelebihan Hanya satu: kesederhanaan (efisiensi komputasi) Popular di awal sistem IR komersil (seperti Westlaw) Kekurangan Mewujudkan kebutuhan informasi sebagai ekspresi bolean tidak intuitif Model murni (asli) No ranking: dokumen dihukumi relevan atau tak-relevan Kepentingan relative dari term diabaikan Model Extended Boolean: varian model Boolean yang melibatkan pengerjaan parsial dari ekspresi Boolean
54 Model Ruang Vektor (Vector Space Model)
55 Model Ruang Vektor Dokumen dan query direpresentasikan sebagai vektor dari term-term Bobot adalah bilangan pecahan > 0 dj = [w 1j, w 2j,, w tj ] q = [w 1q, w 2q,,, w tq ] Relevansi dari dokumen terhadap query diestimasi dengan menghitung jarak atau kemiripan antara dua vektor Metrik jarak: Euclidean, Manhattan, dll. Lebih relevan saat jarak semakin kecil Metrik kemiripan: Cosine, Dice, dll. Lebih relevan ketika kemiripan makin besar
56 Model Ruang Vektor: Metrik Jarak 1. Euclidean distance 2. Manhattan distance
57 Model Ruang Vektor: Metrik Kemiripan 3. Cosine similarity 4. Dice similarity
58 Model Ruang Vektor: Pembobotan Term Berapa bobot w ij dari term-term untuk dokumen yang dihitung? Dua asumsi intuitif: 1. Relevansi dari suatu term terhadap dokumen adalah sebanding dengan frekuensinya dalam dokumen tersebut (komponen term frequency = tf) Lebih sering lebih relevan 2. Relevansi suatu term terhadap suatu dokumen berbanding terbalik dengan jumlah dokumen dalam koleksi yang dirinya hadir (komponen inverse document frequency = idf) Makin umum di lintas dokumen makin kurang relevan (contoh stopwords seperti the")
59 VSM: Skema Pembobotan Skema pembobotan Biner Tidak benar-benar sekema pembobotan Mengabaikan dua asumsi tersebut w ij = 1 iff dokumen d j mengandung term k i Skema pembobotan TF-IDF Bobot dihitung sebagai perkalian dari komponen term frequency dan inverse document frequency-nya Salah satu skema popular:
60 Latihan: Perhitungan Kemiripan dalam SVM Koleksi terdiri dari N=3 dokumen: d1: new york times d2: new york post d3: los angeles times Suatu saat, ada query: new new times. Dokumen mana yang paling relevan dengan query tersebut? Rankingkan! w t,d 1 log10 tft,d, if tft,d 0 0, otherwise idft log10 N/df t
61 Gunakan Skema Popular Pembobotan term: Normalisasi panjang: Kemiripan query q dengan dokumen d, dalam model ruang vektor, menggunakan cosine similarity: i i x x 2 2 t d t N d t df / log ) log tf (1 w,, V i i V i i V i i i d q q d d d q q d q d q d q ), cos(
62 Contoh Pencarian Dokumen Relevan Koleksi dokumen (corpus): d1 = Three quarks for Master Mark d2 = The strange history of quark cheese d3 = Strange quark plasmas d4 = Strange Quark XPress problem
63 Terbentuk Inverted Index Sederhana Lexicon dan inverted index: three {d1} quark {d1, d2, d3, d4} master {d1} mark {d1} strange {d2, d3, d4} history {d2} cheese {d2} plasma {d3} xpress {d4} problem {d4}
64 Dokumen Mana Paling Relevan Jika terdapat Query: strange AND quark AND NOT cheese Himpunan hasil: {D2, D3, D4} {D1, D2, D3, D4} {D1, D3, D4} = {D3, D4}
65 Latihan Menghitung Bobot Term: tf.idf Jika terdapat koleksi 8 dokumen berikut: d 1 = Introduction to Expert Systems d 2 = Expert System Software: Engineering and Applications d 3 = Expert Systems: Principles and Programming d 4 = The Essence of Expert Systems d 5 = Knowledge Representation and Reasoning d 6 = Reasoning About Uncertainty d 7 = Handbook of Knowledge Representation d 8 = Expert Python Programming Berapa bobot term knowledge dalam dokumen d 5?
66 Contoh VSM: Cosine Similarity Q: gold silver truck D1: Shipment of gold damaged in a fire D2: Delivery of silver arrived in a silver truck D3: Shipment of gold arrived in a truck
67
Temu-Kembali Informasi
Temu-Kembali Informasi 2017 Pertemuan ke-1 Pengantar Perkuliahan Husni Husni@trunojoyo.ac.id Tentang Saya Husni Web site : Husni.trunojoyo.ac.id Email : husni@trunojoyo.ac.id Ruang kerja: Lab. SisTer,
Lebih terperinciInformation Retrieval
Information Retrieval Budi Susanto Information Retrieval Information items content Feature extraction Structured Structured Document Document representation representation Retrieval model: relevance Similarity?
Lebih terperinciBAB II DASAR TEORI Crawler Definisi Focused Crawler dengan Algoritma Genetik [2]
BAB II DASAR TEORI Pada bab ini dibahas teori mengenai focused crawler dengan algoritma genetik, text mining, vector space model, dan generalized vector space model. 2.1. Focused Crawler 2.1.1. Definisi
Lebih terperinciSistem Temu-Kembali Informasi Pengantar Perkuliahan
Sistem Temu-Kembali Informasi Pengantar Perkuliahan Husni Program Studi Teknik Informatika Universitas Trunojoyo Madura Semeter Gasal 2015-03 Sep. 2015 Perkenalan... Husni (UGM, ITB) Bidang Minat Sistem
Lebih terperinciRETRIEVAL STRATEGIES. Tujuan 4/9/13. Budi Susanto
Text & Web Mining - Budi Susanto - TI UKDW 1 RETRIEVAL STRATEGIES Budi Susanto Text & Web Mining - Budi Susanto - TI UKDW 2 Tujuan Memahami model probabilitistic retrieval dengan metode Simple Term Weights.
Lebih terperinciText & Web Mining - Budi Susanto - TI UKDW 1 RETRIEVAL STRATEGIES. Budi Susanto
Text & Web Mining - Budi Susanto - TI UKDW 1 RETRIEVAL STRATEGIES Budi Susanto Text & Web Mining - Budi Susanto - TI UKDW 2 Tujuan Memahami model probabilitistic retrieval dengan metode Simple Term Weights.
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI PENCARIAN INFORMASI BEASISWA DENGAN MENGGUNAKAN COSINE SIMILARITY
Vol. 4, No. 2 Desember 2014 ISSN 2088-2130 PERANCANGAN DAN PEMBUATAN APLIKASI PENCARIAN INFORMASI BEASISWA DENGAN MENGGUNAKAN COSINE SIMILARITY Andry Kurniawan, Firdaus Solihin, Fika Hastarita Prodi Teknik
Lebih terperinciSearch Engines. Information Retrieval in Practice
Search Engines Information Retrieval in Practice All slides Addison Wesley, 2008 Search Engine Architecture Arsitektur dari mesin pencari ditentukan oleh 2 persyaratan efektivitas (kualitas hasil) efisiensi
Lebih terperinciBAB II TINJAUAN PUSTAKA
7 BAB II TINJAUAN PUSTAKA A. Tinjauan Pustaka Penelitian-penelitian yang pernah dilakukan di bidang information retrieval telah memunculkan berbagai metode pembobotan dan clustering untuk mengelompokkan
Lebih terperinciMengenal Information Retrieval
STBI-2011 Sistem Temu Balik Informasi 2011 Mengenal Information Retrieval Husni husni@if.trunojoyo.ac.id Husni.trunojoyo.ac.id Komputasi.wordpress.com 2 3 Amazon.com 4 Amazon.com 5 6 7 8 9 Wordpress.com
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 terperinciUNIVERSITAS MERCU BUANA FAKULTAS : ILMU KOMPUTER PROGRAM STUDI : SISTEM INFORMASI
UNIVERSITAS MERCU BUANA FAKULTAS : ILMU KOMPUTER PROGRAM STUDI : SISTEM INFORMASI No. Dokumen 02-3.04.1.02 Distribusi Tgl. Efektif RENCANA PEMBELAJARAN SEMESTER Mata Kuliah Kode Rumpun MK Bobot (SKS) Semester
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 terperinciRANCANG BANGUN SISTEM TEMU KEMBALI INFORMASI ABSTRAK TUGAS AKHIR MAHASISWA PRODI TEKNIK INFORMATIKA UNSOED Oleh : Lasmedi Afuan
RANCANG BANGUN SISTEM TEMU KEMBALI INFORMASI ABSTRAK TUGAS AKHIR MAHASISWA PRODI TEKNIK INFORMATIKA UNSOED Oleh : Lasmedi Afuan Prodi Teknik Informatika, Fakultas Sains dan Teknik, Universitas Jenderal
Lebih terperinciVECTOR SPACE MODEL. Tujuan 4/2/13. Budi Susanto
Text & Web Mining - Budi Susanto - TI UKDW 1 VECTOR SPACE MODEL Budi Susanto Text & Web Mining - Budi Susanto - TI UKDW 2 Tujuan Memahami model index berdasar pada bobot untuk binary retrieval model Memahami
Lebih terperinciText & Web Mining - Budi Susanto - TI UKDW 1 VECTOR SPACE MODEL. Budi Susanto
Text & Web Mining - Budi Susanto - TI UKDW 1 VECTOR SPACE MODEL Budi Susanto Text & Web Mining - Budi Susanto - TI UKDW 2 Parametric dan zone Index Sebuah dokumen, selain tersusun dari deretan term, juga
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Sistem Rekomendasi Sistem rekomendasi adalah sebuah sistem yang dibangun untuk mengusulkan informasi dan menyediakan fasilitas yang diinginkan pengguna dalam membuat suatu keputusan
Lebih terperinciPemanfaatan Metode Vector Space Model dan Metode Cosine Similarity pada Fitur Deteksi Hama dan Penyakit Tanaman Padi
Pemanfaatan Metode Vector Space Model dan Metode Cosine Similarity pada Fitur Deteksi Hama dan Penyakit Tanaman Padi Ana Triana Informatika, Fakultas MIPA, Universitas Sebelas Maret Surakarta Jl. Ir. Sutami
Lebih terperinciSistem Temu-Kembali Informasi Perhitungan Kemiripan
Sistem Temu-Kembali Informasi Perhitungan Kemiripan (Pembobotan Term dan Penskoran dalam Model Ruang Vektor, Penskoran dalam Sistem Pencarian Lengkap) Husni Program Studi Teknik Informatika Universitas
Lebih terperinci1. Pendahuluan 1.1 Latar belakang 1.2 Perumusan masalah
1. Pendahuluan 1.1 Latar belakang Informasi telah menjadi kebutuhan primer pada kehidupan saat ini. Informasi seakan-akan menjadi mata uang baru yang membuat akurasi menjadi sangat penting ketika mencari
Lebih terperinciINFORMATION RETRIEVAL SYSTEM PADA PENCARIAN FILE DOKUMEN BERBASIS TEKS DENGAN METODE VECTOR SPACE MODEL DAN ALGORITMA ECS STEMMER
INFORMATION RETRIEVAL SSTEM PADA PENCARIAN FILE DOKUMEN BERBASIS TEKS DENGAN METODE VECTOR SPACE MODEL DAN ALGORITMA ECS STEMMER Muhammad asirzain 1), Suswati 2) 1,2 Teknik Informatika, Fakultas Teknik,
Lebih terperinciStudi Penggunaan Data Exif Untuk Mengukur Pengaruhnya. Terhadap Peningkatan Kinerja Image Search Engine
Studi Penggunaan Data Exif Untuk Mengukur Pengaruhnya Terhadap Peningkatan Kinerja Image Search Engine Nugroho Herucahyono (13504038) Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika,
Lebih terperinciKOM341 Temu Kembali Informasi
KOM341 Temu Kembali Informasi KULIAH #4 Pemodelan IR Boolean model Vector space model Proses Temu-Kembali 1 Konsep IR Pemodelan IR o Model IR didefinisikan sebagai empat komponen [D, F, Q, R(q, d j )]
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan sistematika tahap-tahap yang dilaksanakan dalam pembuatan tugas akhir. Adapun tahapan yang dilalui dalam pelaksanaan penelitian ini adalah
Lebih terperinciAplikasi Aljabar Vektor pada Sistem Temu-balik Informasi (Information Retrieval System)
Aplikasi Aljabar Vektor pada Sistem Temu-balik Informasi (Information Retrieval System) IF3 Aljabar Geometri Oleh: Rinaldi Munir Program Studi Informatika, STEI-ITB Rinaldi Munir - IF3 Aljabar Geometri
Lebih terperinciABSTRAK. Kata kunci : Pemerolehan Informasi, TF-IDF, Inverted Index, document to document
Jurnal Ilmiah Widya Teknik Volume 15 Nomor 2 2016 ISSN 1412-7350 SISTEM PEMEROLEHAN INFORMASI UNDANG-UNDANG DAN KASUS MENGGUNAKAN STRUKTUR DATA INVERTED INDEX DENGAN PEMBOBOTAN TF-IDF Fredes Winda Oktaviani
Lebih terperinciSistem Temu Kembali Informasi/ Information Retrieval
Sistem Temu Kembali Informasi/ Information Retrieval Pemodelan IR Imam Cholissodin S.Si., M.Kom. Table Of Content 1. Boolean Retrieval Model Boolean Index Inverted Index 2. Boolean Query Retrieval 3. Vector
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 terperinciAnalisis dan Pengujian Kinerja Korelasi Dokumen Pada Sistem Temu Kembali Informasi
Jurnal Integrasi, vol. 6, no. 1, 2014, 21-25 ISSN: 2085-3858 (print version) Article History Received 10 February 2014 Accepted 11 March 2014 Analisis dan Pengujian Kinerja Korelasi Dokumen Pada Sistem
Lebih terperinciTEMU KEMBALI INFORMASI
JULIO ADISANTOSO Departemen Ilmu Komputer IPB Pertemuan 1 Identitas Mata Kuliah Nama Mata Kuliah : Temu Kembali Informasi (TKI) Information Retrieval (IR) Kode Mata Kuliah : KOM431 Koordinator : Julio
Lebih terperinciBAB 3 METODE PENELITIAN. pengelolaan dokumen yang efektif agar kita dapat me-retrieve informasi yang
58 BAB 3 METODE PENELITIAN 3.1 Analisis Masalah Seiring dengan perkembangan zaman, jumlah informasi yang disimpan dalam betuk digital semakin bertambah, sehingga dibutuhkan cara pengorganisasian dan pengelolaan
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 terperinciIntegrasi Peringkas Dokumen Otomatis Dengan Penggabungan Metode Fitur dan Metode Latent Semantic Analysis (LSA) Sebagai Feature Reduction
Integrasi Peringkas Dokumen Otomatis Dengan Penggabungan Metode Fitur dan Metode Latent Semantic Analysis (LSA) Sebagai Feature Reduction Junta Zeniarja 1, Abu Salam 2, Ardytha Luthfiarta 3, L Budi Handoko
Lebih terperinciBAB I PENDAHULUAN. Informasi telah menjadi kebutuhan primer pada kehidupan saat ini. Pesatnya
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Informasi telah menjadi kebutuhan primer pada kehidupan saat ini. Pesatnya perkembangan teknologi dewasa ini telah menyebabkan aliran informasi begitu lancar
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 terperinciROCCHIO CLASSIFICATION
DOSEN PEMBIMBING : Badriz Zaman, S.Si., M.Kom. 081211632016 S-1 SISTEM INFORMASI UNIVERSITAS AIRLANGGA 1 Informastion retieval system merupakan sebuah sistem yang digunakan untuk mengambil kembali informasi
Lebih terperinciPengujian Kerelevanan Sistem Temu Kembali Informasi
Pengujian Kerelevanan Sistem Temu Kembali Informasi Ari Wibowo / 23509063 Jurusan Teknik Informatika, Politeknik Negeri Batam Jl. Parkway No 1 Batam Center, Batam wibowo@polibatam.ac.id Abstrak Sistem
Lebih terperinciSearch Engine. Text Retrieval dan Image Retrieval YENI HERDIYENI
Search Engine Text Retrieval dan Image Retrieval YENI HERDIYENI 14 JUNI 2008 Search engine atau mesin pencari merupakan bagian dari teknologi inte rnet yang sangat penting untuk pencarian informasi. Dewasa
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 terperinciBAB 1 PENDAHULUAN UKDW
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan ilmu pengetahuan yang pesat dewasa ini telah mendorong permintaan akan kebutuhan informasi ilmu pengetahuan itu sendiri. Cara pemenuhan kebutuhan
Lebih terperinciIMPLEMENTASI VECTOR SPACE MODEL DAN BEBERAPA NOTASI METODE TERM FREQUENCY INVERSE DOCUMENT FREQUENCY (TF-IDF) PADA SISTEM TEMU KEMBALI INFORMASI
IMPLEMENTASI VECTOR SPACE MODEL DAN BEBERAPA NOTASI METODE TERM FREQUENCY INVERSE DOCUMENT FREQUENCY (TF-IDF) PADA SISTEM TEMU KEMBALI INFORMASI Oka Karmayasa dan Ida Bagus Mahendra Program Studi Teknik
Lebih terperinciAnalisis dan Pengujian Kinerja Korelasi Dokumen Pada Sistem Temu Kembali Informasi
Analisis dan Pengujian Kinerja Korelasi Dokumen Pada Sistem emu Kembali Informasi Ari Wibowo Program Studi eknik Multimedia dan Jaringan, Politeknik Negeri Batam E-mail : wibowo@polibatam.ac.id Abstrak
Lebih terperinciSISTEM TEMU KEMBALI INFORMASI
SISTEM TEMU KEMBALI INFORMASI ROCCHIO CLASSIFICATION Badrus Zaman, S.Si., M.Kom Doc. 1..???? Doc. 2..**** Doc. 3. #### Doc. 4..@@@ 081211633014 Emilia Fitria Fahma S1 Sistem Informasi Pengertian Teknik
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 terperinciInera Firdestawati¹, Yanuar Firdaus A.w.², Kiki Maulana³. ¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
IMPLEMENTASI MODEL RUANG VEKTOR SEBAGAI PENERJEMAH QUERY PADA CROSS-LANGUAGE INFORMATION RETRIEVAL SISTEM IMPLEMENTATION OF VECTOR SPACE MODEL AS QUERY TRANSLATION FOR CROSS-LANGUAGE INFORMATION RETRIEVAL
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 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 terperinciTugas Makalah. Sistem Temu Kembali Informasi (STKI) TI Implementasi Metode Generalized Vector Space Model Pada Information Retrieval System
Tugas Makalah Sistem Temu Kembali Informasi (STKI) TI029306 Implementasi Metode Generalized Vector Space Model Pada Information Retrieval System Oleh : I PUTU ANDREAS WARANU 1204505042 Dosen : I Putu Agus
Lebih terperinciPENERAPAN SISTEM TEMU KEMBALI INFORMASI PADA KUMPULAN DOKUMEN SKRIPSI
18 PENERAPAN SISTEM TEMU KEMBALI INFORMASI PADA KUMPULAN DOKUMEN SKRIPSI Karter D. Putung, Arie Lumenta, Agustinus Jacobus Teknik Informatika Universitas Sam Ratulangi Manado, Indonesia. karterputung@gmail.com,
Lebih terperinciDocument Indexing dan Term Weighting. M. Ali Fauzi
Document Indexing dan Term Weighting M. Ali Fauzi Document Indexing Setelah melakukan preprocessing, kita akan mendapatkan sebuah set term yang bisa kita jadikan sebagai indeks. Indeks adalah perwakilan
Lebih terperinciImplementasi Metode Document Oriented Index Pruning pada Information Retrieval System
Implementasi Metode Document Oriented Index Pruning pada Information Retrieval System Hendri Priyambowo 1, Yanuar Firdaus A.W. S.T, M.T 2, Siti Sa adah S.T. M.T 3 123 Program Studi S1 Teknik Informatika,
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 terperinciSistem Temu Kembali Informasi/ Information Retrieval IRS VS SI LAIN
Sistem Temu Kembali Informasi/ Information Retrieval IRS VS SI LAIN Dokumen Penyimpanan yang Terorganisasi Database Mahasiswa Database Buku ID Nama Buku Pengarang 001 Information Retrieval Ricardo baeza
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 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 terperinciPEMANFAATAN ASSOCIATION RULE MINING DALAM MEMBANTU PENCARIAN DOKUMEN-DOKUMEN BERITA YANG SALING BERKAITAN
PEMANFAATAN ASSOCIATION RULE MINING DALAM MEMBANTU PENCARIAN DOKUMEN-DOKUMEN BERITA YANG SALING BERKAITAN Hermawan Andika Institut Informatika Indonesia andika@iii.ac.id Suhatati Tjandra Sekolah Tinggi
Lebih terperinciPenerapan Model OKAPI BM25 Pada Sistem Temu Kembali Informasi
Penerapan Model OKAPI BM25 Pada Sistem Temu Kembali Informasi Rizqa Raaiqa Bintana 1, Surya Agustian 2 1,2 Teknik Informatika, FST UIN Suska Riau Jl. HR Soeberantas km 11,5 Panam, Pekanbaru, Riau e-mail:
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 terperinciDETEKSI KEMIRIPAN TOPIK PROPOSAL JUDUL TUGAS AKHIR DAN SKRIPSI MENGGUNAKAN LATENT SEMANTIC ANALYSIS DI STMIK BUMIGORA MATARAM
DETEKSI KEMIRIPAN TOPIK PROPOSAL JUDUL TUGAS AKHIR DAN SKRIPSI MENGGUNAKAN LATENT SEMANTIC ANALYSIS DI STMIK BUMIGORA MATARAM I Putu Hariyadi 1, Hartarto Junaedi 2 (1) STMIK Bumigora Mataram, putu.hariyadi@stmikbumigora.ac.id
Lebih terperinciTugas Makalah. Sistem Temu Kembali Informasi (STKI) TI Implementasi Metode Generalized Vector Space Model Pada Information Retrieval System
Tugas Makalah Sistem Temu Kembali Informasi (STKI) TI029306 Implementasi Metode Generalized Vector Space Model Pada Information Retrieval System Oleh : I PUTU ANDREAS WARANU 1204505042 Dosen : I Putu Agus
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 terperinciBAB I PENDAHULUAN. Information retrieval (IR) adalah ilmu yang mempelajari pencarian
BAB I PENDAHULUAN 1.1 Latar Belakang Information retrieval (IR) adalah ilmu yang mempelajari pencarian dokumen untuk memenuhi kebutuhan informasi dari dalam koleksi besar media penyimpanan komputer (Manning,
Lebih terperinciIMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR YANG BERDASARKAN ONE PASS CLUSTERING UNTUK KATEGORISASI TEKS
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR YANG BERDASARKAN ONE PASS CLUSTERING UNTUK KATEGORISASI TEKS Andreas Daniel Arifin 1, Isye Arieshanti 2, Agus Zainal Arifin 3 1,2,3 Jurusan Teknik Informatika,
Lebih terperinciTemu-Kembali Informasi 2017
Temu-Kembali Informasi 2017 Proyek Pemrograman Terpadu (Tiga Tahapan) Husni Husni@Trunojoyo.ac.id Proyek Pemrograman #1 Husni Proyek Pemrograman #1: Indexing Sasaran (goal): membangun suatu inverted index
Lebih terperinciJURNAL INFORMATIKA IMPLEMENTASI METODE GENERALIZED VECTOR SPACE MODEL PADA APLIKASI INFORMATION RETRIEVAL
IMPLEMENTASI METODE GENERALIZED VECTOR SPACE MODEL PADA APLIKASI INFORMATION RETRIEVAL Jasman Pardede [1], Mira Musrini Barmawi [2], Wildan Denny Pramono [3] Jurusan Teknik Informatika Institut Teknologi
Lebih terperinci1 BAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan infrastruktur teknologi informasi dan penggunaannya berdampak luas dalam bagaimana manusia menjalani hidupnya. Salah satunya adalah dalam memperoleh
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Perkembangan volume dan keragaman informasi yang tersedia di internet saat ini sangat pesat sehingga mendorong tumbuhnya media pemberitaan online.
Lebih terperinciIMPLEMENTASI VECTOR SPACE MODEL UNTUK MENINGKATKAN KUALITAS PADA SISTEM PENCARIAN BUKU PERPUSTAKAAN
Seminar Nasional Informatika 205 IMPLEMENTASI VECTOR SPACE MODEL UNTUK MENINGKATKAN KUALITAS PADA SISTEM PENCARIAN BUKU PERPUSTAKAAN Dedi Leman, Khusaeri Andesa 2 Teknik Informasi, Magister Komputer, Universitas
Lebih terperinciABSTRAK. Kata kunci : Information Retrieval system, Generalized Vector Space Model. Universitas Kristen Maranatha
ABSTRAK Information retrieval (IR) system adalah sistem yang secara otomatis melakukan pencarian atau penemuan kembali informasi yang relevan terhadap kebutuhan pengguna. Kebutuhan pengguna, diekspresikan
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Kebutuhan informasi dan perkembangan teknologi yang semakin tinggi meningkatkan jumlah artikel atau berita yang terpublikasikan, terutama pada media online. Untuk
Lebih terperinciKeywords: information retrieval system, cosine similarity, mean average precision. Jurnal Ilmu Komputer - Volume 5 - No 2 September 2012
PENINGKAAN RELEVANSI HASIL PENCARIAN KAA KUNCI DENGAN PENERAPAN MODEL RUANG VEKOR PADA SISEM INFORMASI RUANG BACA DI JURUSAN ILMU KOMPUER UNIVERSIAS UDAYANA Ngurah Agus Sanjaya ER a, Agus Muliantara b,
Lebih terperinciPENDAHULUAN. 1.1 Latar Belakang
DAFTAR TABEL Tabel 3-1 Dokumen Term 1... 17 Tabel 3-2 Representasi... 18 Tabel 3-3 Centroid pada pengulangan ke-0... 19 Tabel 3-4 Hasil Perhitungan Jarak... 19 Tabel 3-5 Hasil Perhitungan Jarak dan Pengelompokkan
Lebih terperinciAplikasi Pencarian Karya Tulis Ilmiah Berbasis Web Menggunakan Sistem Rekomendasi
Aplikasi Pencarian Karya Tulis Ilmiah Berbasis Web Menggunakan Sistem Rekomendasi Husni Program Studi Teknik Informatika, Universitas Trunojoyo Jl. Telang Raya PO BOX 2 Kamal, Bangkalan 69162 E-mail: husni@if.trunojoyo.ac.id
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Information Retrieval Stefan Buttcher, (MIT 2010) Information Retrieval System atau Sistem Temu Balik Informasi merupakan bagian dari computer science tentang pengambilan informasi
Lebih terperinciV HASIL DAN PEMBAHASAN
22 V HASIL DAN PEMBAHASAN 5.1 Karakteristik Video dan Ektraksi Frame Video yang digunakan di dalam penelitian ini merupakan gabungan dari beberapa cuplikan video yang berbeda. Tujuan penggabungan beberapa
Lebih terperinciBAB III METODELOGI PENELITIAN
BAB III METODELOGI PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan yaitu metode eksperimental dimana metode ini bekerja dengan memanipulasi dan melakukan kontrol pada objek penelitian
Lebih terperinciKONSEP MULTICRITERIA COLLABORATIVE FILTERING UNTUK PERBAIKAN REKOMENDASI
KONSEP MULTICRITERIA COLLABORATIVE FILTERING UNTUK PERBAIKAN REKOMENDASI Wiranto 1), Edi Winarko 2) 1) Jurusan Teknik Informatika, Universitas Sebelas Maret E-mail : wir@uns.ac.id 2) Program Studi Ilmu
Lebih terperinciBAB II LANDASAN TEORI. karya rekam secara profesional dengan sistem yang baku guna memenuhi
BAB II LANDASAN TEORI 2.1 Perpustakaan Perpustakaan adalah institusi pengelola karya tulis, karya cetak, atau karya rekam secara profesional dengan sistem yang baku guna memenuhi kebutuhan pendidikan,
Lebih terperinciDAFTAR ISI. SKRIPSI... ii
DAFTAR ISI SKRIPSI... i SKRIPSI... ii HALAMAN PENGESAHAN... ii PERNYATAAN... iii HALAMAN MOTO DAN PERSEMBAHAN... iv PRAKATA... v DAFTAR ISI... vii DAFTAR GAMBAR... x DAFTAR TABEL... xiii INTISARI... xiv
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 terperinciTEKNIK VECTOR SPACE MODEL (VSM) DALAM PENENTUAN PENANGANAN DAMPAK GAME ONLINE PADA ANAK
F.13 TEKNIK VECTOR SPACE MODEL (VSM) DALAM PENENTUAN PENANGANAN DAMPAK GAME ONLINE PADA ANAK Bania Amburika 1*,Yulison Herry Chrisnanto 1, Wisnu Uriawan 2 1 Jurusan Informatika, Fakultas MIPA, Universitas
Lebih terperinciPRESENTASI TUGAS AKHIR KI PERANCANGAN DAN PEMBANGUNAN MODUL REKOMENDASI SECTION PADA OPEN JOURNAL SYSTEM (OJS)
PRESENTASI TUGAS AKHIR KI091391 PERANCANGAN DAN PEMBANGUNAN MODUL REKOMENDASI SECTION PADA OPEN JOURNAL SYSTEM (OJS) (Kata kunci: Jurnal, K-Nearest Neighbor, Karya Ilmiah, Klasifikasi Penyusun Tugas Akhir
Lebih terperinciBAB I PENDAHULUAN. pendidikan, perbankan, perencanaan dan sebagainya. Dengan adanya teknologi komputer
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Di era globalisasi seperti sekarang ini, perkembangan teknologi komputer berpengaruh besar pada tingkat kebutuhan manusia di berbagai bidang seperti bidang
Lebih terperinciImplementasi Algoritma Term Frequency Inverse Document Frequency dan Vector Space Model untuk Klasifikasi Dokumen Naskah Dinas
Implementasi Algoritma Term Frequency Inverse Document Frequency dan Vector Space Model untuk Klasifikasi Dokumen Naskah Dinas A. Achmad 1, A. A. Ilham 2, Herman 3 1 Program Studi Teknik Elektro, Jurusan
Lebih terperinciJURNAL ITSMART Vol 4. No 2. Desember 2015 ISSN :
Analisis Perbandingan Metode Vector Space Model dan Weighted Tree Similarity dengan Cosine Similarity pada kasus Pencarian Informasi Pedoman Pengobatan Dasar di Puskesmas Viko Basmalah Wicaksono Jurusan
Lebih terperinciTEMU KEMBALI INFORMASI
JULIO ADISANTOSO Departemen Ilmu Komputer IPB Pertemuan 3 IR MODEL Mengapa Model? 1 Banyak pengembangan teknologi IR seperti web search, translator system, spam filter, dsb membutuhkan teori dan percobaan.
Lebih terperinciTemu-Kembali Informasi 2017
Temu-Kembali Informasi 2017 07: Penskoran, Pembobotan Term & Model Ruang Vektor Husni Husni@Trunojoyo.ac.id Modifikasi dari slide kuliah Stanford CS276 Rekap Kuliah Sebelumnya Statistika koleksi dan kosa
Lebih terperinciSISTEM REKOMENDASI DOSEN PEMBIMBING TUGAS AKHIR BERBASIS TEXT MINING MENGGUNAKAN VECTOR SPACE MODEL
SISTEM REKOMENDASI DOSEN PEMBIMBING TUGAS AKHIR BERBASIS TEXT MINING MENGGUNAKAN VECTOR SPACE MODEL SKRIPSI Disusun Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer pada Departemen Ilmu
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 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 terperinciBernadus Very Christioko Fakultas Teknologi Informasi dan Komunikasi, Universitas Semarang. Abstract
IMPLEMENTASI SISTEM TEMU KEMBALI INFORMASI Studi Kasus: Dokumen Teks Berbahasa Indonesia (IMPLEMENTATION OF INFORMATION RETRIEVAL SYSTEM Case Study: Text Document in Indonesian Language) Bernadus Very
Lebih terperinciJULIO 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 terperinciFatkhul Amin Dosen Fakultas Teknologi Informasi Universitas Stikubank Semarang
45 Dinamika Teknik Januari IMPLEMENTASI SEARCH ENGINE (MESIN PENCARI) MENGGUNAKAN METODE VECTOR SPACE MODEL Dosen Fakultas Teknologi Informasi Universitas Stikubank Semarang Abstract Growth of Machine
Lebih terperinciSistem Temu Kembali Informasi Menggunakan Model Ruang Vektor dan Inverted Index
Vol 2, No 3 Juni 2012 ISSN 2088-2130 Sistem Temu Kembali Informasi Menggunakan Model Ruang Vektor dan Inverted Index Fika Hastarita Rachman Jurusan Teknik Informatika, Fakultas Teknik, Universitas Trunojoyo
Lebih terperinciAPLIKASI MESIN PENCARI DOKUMEN CROSS LANGUAGE BAHASA INGGRIS BAHASA INDONESIA MENGGUNAKAN VECTOR SPACE MODEL
APLIKASI MESIN PENCARI DOKUMEN CROSS LANGUAGE BAHASA INGGRIS BAHASA INDONESIA MENGGUNAKAN VECTOR SPACE MODEL SKRIPSI Disusun Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer pada Jurusan
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN
BAB 3 ANALISA AN PERANCANGAN 3.1 Gambaran Umum Pada masa sekarang ini, proses pencarian dokumen dalam web seperti Google, Yahoo, dan sebagainya dilakukan dengan menginput query yang diinginkan pada kotak
Lebih terperinciKONSEP MULTICRITERIA COLLABORATIVE FILTERING UNTUK PERBAIKAN REKOMENDASI
KONSEP MULTICRITERIA COLLABORATIVE FILTERING UNTUK PERBAIKAN REKOMENDASI Wiranto 1, Edi Winarko 2 1 Jurusan Teknik Informatika, Universitas Sebelas Maret 2 Program Studi Ilmu Komputer, Universitas Gajah
Lebih terperinciSISTEM PENCARIAN SKRIPSI BERBASIS INFORMATION RETRIEVAL DI FASTIKOM UNSIQ
SISTEM PENCARIAN SKRIPSI BERBASIS INFORMATION RETRIEVAL DI FASTIKOM UNSIQ Nur Hasanah a a Fakultas Teknik dan Ilmu Komputer Universtas Sains Al Qur an a E-mail: nurh.unsiq@gmail.com INFO ARTIKEL Riwayat
Lebih terperinciABSTRAK. Kata kunci : Informasi, Information Retreival, Ant Colony Optimization, Graph, Fitur dokumen. vii
ABSTRAK Untuk mendapatkan sebuah informasi pada saat ini sangatlah mudah. Dengan adanya internet orang dengan mudah untuk berbagi informasi. Informasi yang dibagikan biasanya dalam bentuk dokumen, artikel,
Lebih terperinci1. Pendahuluan. 1.1 Latar belakang
1. Pendahuluan 1.1 Latar belakang Pada saat ini, kebutuhan setiap individu terhadap Internet semakin meningkat. Hal ini terlihat dari semakin banyaknya fasilitas yang ditawarkan dari dunia Internet itu
Lebih terperinci