Question Answering from the Web Using Knowledge Annotation and Knowledge Mining Techniques
|
|
- Harjanti Kusnadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Question Answering from the Web Using Annotation and Techniques oleh Jimmy Lin and Boris Katz diceritakan kembali oleh: Jan Peter Alexander
2 Poin Penting Paper Sistem Question-Answering Data dari World Wide Web (WWW) Teknik ARANEA Annotation Minning START paragraf
3 Permasalahan Sistem Temu-Kembali Traditional Pencarian dengan daftar potensi halaman. [bikin pusing] Factoid! Pertanyaan mengarah ke Jawaban Kapan John Doe Lahir? Jawaban sederhana 1970 [TAHUN]
4 Konsep Hukum Zipf (Zipf s Law) A small fraction of question types accounts for a significant portion of all question instances. Sebagian kecil dari jenis pertanyaan menjawab sebagian besar pertanyaanpertanyaan yang ada.
5 Konsep (cont'd)
6 Aranea Questions Web Databases Annotation Google Boosting Answers
7 CIA World Factbook Biography.com... 50states.com Annotation When was x born? What is the birth date of x?... {biography.com, x, birthdate}
8 Formulasikan Permintaan Eksekusi Permintaan Buat N-grams Pilih (vote) Saring Kandidat Kombinasikan Kandidat Nilai Kandidat Dapatkan Dukungan
9 Formulasikan Permintaan Eksekusi Permintaan Buat N-grams Pilih (vote) Saring Kandidat Kuantitas daripada Kualitas Ada 2 Jenis kueri: - Tepat (exact) Pattern matching - Tidak Tepat (inexact) Sekumpulan kata kunci When did the Mesozoic period end? Kombinasikan Kandidat Nilai Kandidat Dapatkan Dukungan
10 Formulasikan Permintaan When did the Mesozoic period end? Eksekusi Permintaan Query: When did the Mesozoic period end Tipe: inexact Skor: 1 Buat N-grams Snippet yg hendak digali: 100 Pilih (vote) Saring Kandidat Kombinasikan Kandidat Nilai Kandidat Query: the Mesozoic period ended Tipe: inexact Skor: 1 Snippet yg hendak digali: 100 Query: the Mesozoic period ended?x Type: exact Skor: 2 Snippet yg hendak digali: 100 Maks. panjang?x: 50 Maks. panjang kata?x: 5 Dapatkan Dukungan
11 Formulasikan Permintaan Eksekusi Permintaan Buat N-grams Pilih (vote) Saring Kandidat Kombinasikan Kandidat Menghasilkan semua kemungkinan N-gram (Unigram, Bigram, Trigram, dan Tetragram) dari potongan teks hasil Eksekusi Permintaan. Lalu diberi skor awal berdasarkan tipe teks (exact vs. inexact) tersebut. Nilai Kandidat Dapatkan Dukungan
12 Formulasikan Permintaan Eksekusi Permintaan N-gram diskor ulang berdasarkan Buat N-grams Pilih (vote) Saring Kandidat jumlah penemuan kembali n- gram tersebut. Konsep: Sebuah jawaban yang ditemukan pada beberapa dokumen memiliki kemungkinan sebagai jawaban sahih. Kombinasikan Kandidat Nilai Kandidat Dapatkan Dukungan
13 Formulasikan Permintaan Eksekusi Permintaan Buat N-grams Pilih (vote) Saring Kandidat Kombinasikan Kandidat Nilai Kandidat Dapatkan Dukungan N-gram dieliminasi berdasarkan kriteria: Kandidat diawali/diakhiri stop word dibuang Kandidat yang mengandung pertanyaan asli dibuang. Kecuali yang mengandung focus words. How many meters... Heuristik untuk menerapkan tipe jawaban how far, how fast, how tall Jawaban numerik Filter-filter tertutup (fixed-list) untuk jawaban bertipe closedclass items. what sports..., what nationality..., what language...
14 Formulasikan Permintaan Eksekusi Permintaan Buat N-grams Pilih (vote) Saring Kandidat Kombinasikan Kandidat Menggabungkan n-gram yang lebih pendek ke n-gram yang panjang apabila n-gram pendek terdapat di dalam n- gram yang panjang. Skor de Soto ditambahkan ke Skor Hernando de Soto Nilai Kandidat Dapatkan Dukungan
15 Formulasikan Permintaan Eksekusi Permintaan Buat N-grams Pilih (vote) Saring Kandidat Kombinasikan Kandidat skor=skor 1 A w A log N w c Nilai Kandidat Dapatkan Dukungan
16 Formulasikan Permintaan Eksekusi Permintaan Buat N-grams Pilih (vote) Saring Kandidat Kombinasikan Kandidat Nilai Kandidat Cek apakah jawaban benar ada di teks snippet asli yang didapat dari web. Dapatkan Dukungan
17 Annotation Boosting Pengecekan secara heuristik: Sekumpulan prosedur untuk mengenali lokasi geografis, tahun.
18 Hasil Annotation # of q. % Benar Tidak tepat Salah Total Benar Tidak tepat Salah Total Total Benar Tidak tepat Salah Total Annotation Unsupported (AQUAINT) inexact Performa Benar 71.4 Tidak tepat 4.7 Salah 23.9 Benar 33.4 Tidak Tepat 9.4 Salah 57.2
19 Hasil (cont'd) Sekitar 16% (30/183) jawaban tepat didapat dari knowledge annotation. 28 basisdata access schemata 7 knowledge source Hanya data beberapa hari kerja Butuh pemahaman tentang natural language. Human error (Machine Learning); Pertanyaan temporal ( Gubernur tahun 1950 ); Nilai Semantik ( orang kedua );
20 Kesimpulan Aranea menggunakan 2 jenis teknik: Annotation
21 Contoh Hasil Kueri When is Gerald Ford s birthday? July 14, 1913 (extracted using knowledge annotation techniques from biography.com) Who founded Taoism? Lao Tzu (extracted using knowledge mining techniques) What was the name of the first child of English parents to be born in America? Virginia Dare (extracted using knowledge mining techniques)
22 Problem (1) Wilt Chamberlain scored 100 points on March 2, 1962 against the New Yorks Knicks. (2) On December 8, 1961, Wilt Chamberlain scored 78 points in a triple overtime game. It was a new NBA record, but Warriors coach Frank McGuire didn t expect it to last long, saying, He ll get 100 points someday. McGuire s prediction came true just a few months later in a game against the New York Knicks on March 2.
Bab 1 Pendahuluan. 1.1 Latar Belakang
Bab 1 Pendahuluan Bab ini berisi penjelasan mengenai latar belakang penelitian, rumusan masalah, tujuan yang ingin dicapai dan ruang lingkup yang membatasi pelaksanaan penelitian, metodologi penelitian
Lebih terperinciLesson 70: Questions. Pelajaran 70: Pertanyaan
Lesson 70: Questions Pelajaran 70: Pertanyaan Reading (Membaca) Is your job easy? (Apakah pekerjaanmu mudah?) Has he finished eating? (Apakah dia sudah selesai makan?) Will it keep raining? (Akankah ini
Lebih terperinciLesson 19: What. Pelajaran 19: Apakah
Lesson 19: What Pelajaran 19: Apakah Reading (Membaca) What is it? (Apakah ini?) What is your name? (Saiapa namamu?) What is the answer? (Apakah jawabannya?) What was that? (Apakah itu tadi?) What do you
Lebih terperinciCROSS LANGUAGE QUESTION ANSWERING SYSTEM MENGGUNAKAN PEMBOBOTAN HEURISTIC DAN RULE BASED SELAMET SUBU
CROSS LANGUAGE QUESTION ANSWERING SYSTEM MENGGUNAKAN PEMBOBOTAN HEURISTIC DAN RULE BASED SELAMET SUBU DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA ABSTRACT
PENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA Rodiyatul FS 1, Bayu Adhi Tama 2, Megah Mulya 3 1,2,3 Fakultas Ilmu Komputer, Universitas Sriwijaya
Lebih terperinciMicrosoft Access 2007
BAHAN AJAR Microsoft Access 2007 Pengenalan Database, Table Relationship, Form 2012 MICROSOFT ACCESS 2007 A. Pengertian Microsoft Access Microsoft Access adalah suatu program aplikasi basis data komputer
Lebih terperinciFOR IMMEDIATE RELEASE
FOR IMMEDIATE RELEASE International www.roymorgan.com Finding No. 2009 Available on Website: www.roymorgan.com On March 19, 2013 KADIN-Roy Morgan Keyakinan Konsumen menurun di bulan Februari 155.5 poin
Lebih terperinciPembahasan Teks : Berdasarkan teks di atas, Galang Prameswari adalah siswa yang berasal dari Malang.
SMP kelas 7 - BAHASA INGGRIS CHAPTER 1Latihan Soal 1.2 1. Im a new student. My name is Galang Prameswari. My family calls me Pram for short. Im a student of SMP N 1. Im in the first year. Im in 7 I was
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciBAB I RENCANA PELAKSANAAN PEMBELAJARAN ( RPP ) : Berbicara:
BAB I RENCANA PELAKSANAAN PEMBELAJARAN ( RPP ) Mata Pelajaran : Bahasa Inggris Kelas / Semester : 4 /1 Pertemuan ke : Ke 1 Alokasi Waktu : 20 menit Standar Kompetensi : Berbicara: - Mengungkapkan instruksi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Data Mining Data mining adalah bagian dari knowledge discovery di database yang menganalisa database berukuran besar untuk menemukan pola yang berguna pada data (Silberschatz,
Lebih terperinciABSTRAK. Kata kunci: Sistem Tanya Jawab, Semantic Web, Ontology, domain terbatas. v Universitas Kristen Maranatha
ABSTRAK Informasi telah menjadi bagian yang sangat penting didalam pertumbuhan masyarakat modern. Dengan meningkatnya kebutuhan informasi ini, maka banyak orang memerlukan mesin pencari informasi yang
Lebih terperinciRENCANA PELAKSANAAN PEMBELAJARAN (RPP)
RENCANA PELAKSANAAN PEMBELAJARAN (RPP) Satuan Pendidikan : SMP Negeri 3 Wonosari Mata Pelajaran : Bahasa Inggris Kelas/semester : VII/1 (satu) Materi Pokok : Teks lisan dan tulis menyebutkan dan menanyakan
Lebih terperinciGENERATOR TEKA TEKI SILANG MENGGUNAKAN ALGORITMA GENETIKA DAN MULTITHREADING UNTUK MENGHITUNG FITNESSNYA
GENERATOR TEKA TEKI SILANG MENGGUNAKAN ALGORITMA GENETIKA DAN MULTITHREADING UNTUK MENGHITUNG FITNESSNYA Donny Kurniawan Widodo Program Studi Teknik Informatika, Unika Soegijapranata Semarang dny65@gmail.com
Lebih terperinciTEMPORAL QUESTION ANSWERING SYSTEM BAHASA INDONESIA ADI DARLIANSYAH
TEMPORAL QUESTION ANSWERING SYSTEM BAHASA INDONESIA ADI DARLIANSYAH DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 TEMPORAL QUESTION ANSWERING
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Information Retrieval System 2.1.1. Pengertian Information Retrieval System Information retrieval system merupakan bagian dari bidang ilmu komputer yang bertujuan untuk pengambilan
Lebih terperinciBAB I PENDAHULUAN 1.1 Tujuan 1.2 Latar Belakang
BAB I PENDAHULUAN 1.1 Tujuan Merancang sebuah sistem yang dapat meringkas teks dokumen secara otomatis menggunakan metode generalized vector space model (GVSM). 1.2 Latar Belakang Dunia informasi yang
Lebih terperinciProsedur Pemakaian Program:
Prosedur Pemakaian Program: Agar lebih jelas dalam memahami aplikasi yang telah dibuat, maka berikut adalah petunjuk cara pengoperasian aplikasi. Gambar 1 Halaman Login Pada halaman ini, user diminta untuk
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar belakang
BAB 1 PENDAHULUAN 1.1. Latar belakang Dengan adanya perkembangan dan pertumbuhan yang secara cepat dalam hal informasi elektronik sangat diperlukan suatu proses untuk menyelesaikan suatu permasalahan itu
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 terperinciPengelolaan Course - Moodle. Eko Prasetyo September 2016
Pengelolaan Course - Moodle Eko Prasetyo September 2016 Agenda Pengaturan Course Aktivitas Resource/Materi Question Course Enrolment Pengelompokan Pengguna Grades Pengaturan Course Course Course adalah
Lebih terperinciBAB II TINJAUAN PUSTAKA. pengetahuan di dalam database. Data mining adalah proses yang menggunakan
6 BAB II TINJAUAN PUSTAKA 2.1 Pengertian Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan
Lebih terperinci- PERTEMUAN 1 - KNOWLEGDE DISCOVERY
DATA WAREHOUSE - PERTEMUAN 1 - KNOWLEGDE DISCOVERY in DATABASE (KDD) Penemuan Pengetahuan di Database Tujuan : Mahasiswa Dapat memahami konsep KDD yang merupakan tujuan akhir dari Data Warehouse dan Data
Lebih terperinciMicrosoft Access 2007
Praktikum Pengantar Komputer dan Internet Microsoft Access 2007 Pengenalan Database, Table Relationship, Form Tim Asisten 2009 2010 MICROSOFT ACCESS 2007 A. Pengertian Microsoft Access Microsoft Access
Lebih terperinciQuestionnaire: Individual Retirement Fund
APPENDIX A Questionnaire: Individual Retirement Fund With My Respect; The author, Nathan Liman, is a candidate postgraduate student from International Bina Nusantara University at Jakarta. The author is
Lebih terperinciAPLIKASI PENENTUAN JENIS PART OF SPEECH MENGGUNAKAN METODE N-GRAM DAN STRING MATCHING
APLIKASI PENENTUAN JENIS PART OF SPEECH MENGGUNAKAN METODE N-GRAM DAN STRING MATCHING 1 Nurzaenab dan 2 Purnawansyah 1 nurzaenab16@yahoo.co.id, 2 purnawansyah@gmail.com 12 Teknik Informatika, Fakultas
Lebih terperinciFOR IMMEDIATE RELEASE
International www.roymorgan.com Finding No. 1919 Available on Website: www.roymorgan.com On January 22, 2012 FOR IMMEDIATE RELEASE KADIN-Roy Morgan Keyakinan Konsumen sedikit menurun di bulan Desember
Lebih terperinciTeknik Informatika UKDW Yogyakarta
Budi Susanto Versi 1.1 15/01/2013 1 Memahami pengertian dari text mining dan web mining Memahami latar belakang perlunya pengolahan dokumen teks dan web Memahami arsitektur dasar aplikasi text dan web
Lebih terperinciI. MATERI : TENSES Tenses yaitu bentuk kata kerja Bahasa Inggris yang perubahannya berkaitan dengan waktu.
I. MATERI : TENSES Tenses yaitu bentuk kata kerja Bahasa Inggris yang perubahannya berkaitan dengan waktu. Misal: Verb 1 (infinitive), Verb 2, dan Verb 3. Contoh penggunaan tenses : 1. Saya belajar di
Lebih terperinciBAB I PENDAHULUAN. Begitu juga halnya pada perkembangan Internet, hampir semua bidang teknologi
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi di dunia komputer saat ini sangatlah pesat. Begitu juga halnya pada perkembangan Internet, hampir semua bidang teknologi berbasis Internet. Salah
Lebih terperinciBudi Susanto Versi /08/2012. Teknik Informatika UKDW Yogyakarta
Budi Susanto Versi 1.0 29/08/2012 1 Memahami pengertian dari text mining dan web mining Memahami latar belakang perlunya pengolahan dokumen teks dan web Memahami arsitektur dasar aplikasi text dan web
Lebih terperinciPENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING
PENINGKATAN PERFORMA ALGORITMA APRIORI UNTUK ATURAN ASOSIASI DATA MINING Andreas Chandra Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur, Sleman, Yogyakarta 55281 Email : andreaschaandra@yahoo.com
Lebih terperinciJURUSAN SISTEM KOMPUTER FAKULTAS ILMU KOMPUTER UNIVERSITAS SRIWIJAYA
TUGAS JARINGAN KOMPUTER Nama : Yonatan Riyadhi NIM : 09011181419009 Kelas : SK 5A Nama Dosen : Dr. Deris Stiawan M.T JURUSAN SISTEM KOMPUTER FAKULTAS ILMU KOMPUTER UNIVERSITAS SRIWIJAYA 2016 CAPTURE DAN
Lebih terperinciAPLIKASI SEGMENTASI TEKS DALAM BAHASA MANDARIN DENGAN METODE RULE-BASED DAN STATISTICAL
APLIKASI SEGMENTASI TEKS DALAM BAHASA MANDARIN DENGAN METODE RULE-BASED DAN STATISTICAL Rudy Adipranata 1), Meliana Ongkowinoto 2), Rolly Intan 3) Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciGOOGLE SEARCH. Google. pencari. hari. peringkat. berbagai pilihan. alternatif
1 MODUL I GOOGLE SEARCH PRAKTIKUM APLIKASI PERKANTORAN Semester Ganjil 2014 CACA E. SUPRIANA, S.Si., MT. (caca.e.supriana@unpas.ac.id) I. Pendahuluan Google Search, sering disebut sebagai Google Web Search
Lebih terperinciSISTEM PAKAR. Farah Zakiyah Rahmanti, M.T Mei Universitas Dian Nuswantoro
SISTEM PAKAR Farah Zakiyah Rahmanti, M.T Mei 2015 Overview Definisi Kepakaran, Sistem Pakar, dan Pakar Pakar VS Sistem Pakar Mengapa Sistem Pakar? Bagaimana Sistem Pakar Bekerja? Human Expert Problem Solving
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 terperinciWhat is a Presentation?
Presentation Skill What is a Presentation? Presentasi adl. Metode komunikasi yg dapat disesuaikan dengan berbagai situasi berbicara, dengan kelompok, pertemuan/ pengarahan tim dll. To be effective : langkahdemi-langkah
Lebih terperinciRENCANA PELAKSANAAN PEMBELAJARAN (RPP) : Teks Transaksional Meminta dan Memberi Informasi Tentang. Nama-Nama Bulan
RENCANA PELAKSANAAN PEMBELAJARAN (RPP) Satuan Pendidikan Mata Pelajaran Kelas/Semester Materi Pokok : SMP Negeri 2 Ngemplak : Bahasa Inggris : VII/I : Teks Transaksional Meminta dan Memberi Informasi Tentang
Lebih terperinciTips cara menjawab soal Bahasa Inggris Tertulis 2013
Tips Cara Menjawab Test Tertulis Bahasa Inggris A. Membaca (Reading). 1. Menentukan gambaran umum (General Description). Jenis pertanyaannya adalah sebagai berikut: - What is the text about? - What does
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi
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 terperinciDr. Yadi Suprijadi, DEA Zulhanif, M.Sc
Dr. Yadi Suprijadi, DEA Zulhanif, M.Sc Giudici, P., & Figini, S. (2009). Applied data mining for business and industry. Chichester: Prentice Hall. Larose, D. T. (2005). Discovering Knowledge in Data: An
Lebih terperinciPerpustakaan Unika APPENDICES
APPENDICES APPENDIX 1 DAFTAR ANGKET UNTUK PARA MURID ANGKET A Petunjuk : 1. Bacalah terlebih dahulu setiap pertanyaan dengan teliti sebelum menjawabnya. 2. Setiap pertanyaan hanya boleh diisi dengan satu
Lebih terperinci1. Introduction. tertentu memegang peran penting dalam. Abstract
Perbandingan Metode Latent Semantic Analysis, Syntactically Enhanced Latent Semantic Analysis, dan Generalized Latent Semantic Analysis dalam Klasifikasi Dokumen Berbahasa Inggris Gilbert Wonowidjojo Bina
Lebih terperinciPEMBUATAN SISTEM INFORMASI PARIWISATA KOTA SAMARINDA BERBASIS WEB
PEMBUATAN SISTEM INFORMASI PARIWISATA KOTA SAMARINDA BERBASIS WEB Andriyanto Gozali 6107003 Mahasiswa Program Kekhususan Sistem Informasi Jurusan Teknik Informatika Fakultas Teknik Email : andriyanto_gozali@yahoo.com
Lebih terperinciPEMBENTUKAN PASSAGE DALAM QUESTION ANSWERING SYSTEM UNTUK DOKUMEN BAHASA INDONESIA SYAHRUL FATHI
PEMBENTUKAN PASSAGE DALAM QUESTION ANSWERING SYSTEM UNTUK DOKUMEN BAHASA INDONESIA SYAHRUL FATHI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
Lebih terperinciBAB 1 PENDAHULUAN 1-1
BAB 1 PENDAHULUAN Dalam bab ini berisi penjelasan mengenai latar belakang masalah, identifikasi masalah, tujuan tugas akhir, lingkup tugas akhir, metode penelitian serta sistematika penulisan. 1.1 Latar
Lebih terperinciAbstrak. i Universitas Kristen Maranatha
Abstrak Penelitian ini dilaksanakan untuk mengetahui motivasi berprestasi dalam bidang akademik pada siswa pecandu game online yang berusia 13-17 tahun di warnet X kota Y. Pemilihan sampel menggunakan
Lebih terperinciAlgoritma Brute Force (lanjutan)
Algoritma Brute Force (lanjutan) Contoh-contoh lain 1. Pencocokan String (String Matching) Persoalan: Diberikan a. teks (text), yaitu (long) string yang panjangnya n karakter b. pattern, yaitu string dengan
Lebih terperinciBAB 4 PERANCANGAN SISTEM DAN EVALUASI. perancangan diagram UML (use case, activity, class, dan sequence), perancangan
41 BAB 4 PERANCANGAN SISTEM DAN EVALUASI 4.1 Perancangan Sistem Hal-hal yang akan dilakukan dalam perancangan aplikasi antara lain : perancangan diagram UML (use case, activity, class, dan sequence), perancangan
Lebih terperinciTHE MAP OF MUKO-MUKO DISTRICT
THE MAP OF MUKO-MUKO DISTRICT APPENDICES A. Questionnaires Form : Name (Nama) : Age (Usia) : Address (Alamat) : Job (Pekerjaan) : Tolong terjemahkan ke dalam Bahasa Muko-Muko! (Please translate to Muko-Muko
Lebih terperinciMETODOLOGI PENELITIAN
METODOLOGI PENELITIAN MASALAH PENELITIAN TKK6352 Metodologi Penelitian Name Chalifa Chazar Website script.id Email chalifa.chazar@gmail.com Last update : Juli 2016 chalifa.chazar@gmail.com Course Outline
Lebih terperinciMANAJEMEN DATABASE. Modul XII
MANAJEMEN DATABASE Modul XII Pembahasan Menjelaskan pengertian database dan hubungannya dengan data dan informasi Menjelaskan Manajemen file dengan manajemen database Menjelaskan pengintegrasian data dan
Lebih terperinciYeah, so, I continued university in (I) graduated in I graduated in Worked in NewYork until I worked in New York until 1996.
bag 3 i: Coba sekarang ceritakan ke saya dan ke Brian. Mulai dari keluar sekolah, mulai dari lulus kuliah. Kerja di mana, di mana dan di negara mana. Try tell me now. Since after graduate your school,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Secara sederhana data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining
Lebih terperinciLatihan 1. Praktikum 2 Bahasa Pemrograman PLT Scheme : Membuat Program
Praktikum 2 Bahasa Pemrograman PLT Scheme : Membuat Program Latihan 1 Diberikan tiga bilangan bulat. Program akan memeriksa apakah bilangan yang di tengah merupakan hasil kali bilangan di kiri dan kanannya.
Lebih terperinciLesson 19: What. Pelajaran 19: Apakah
Lesson 19: What Pelajaran 19: Apakah Reading (Membaca) What is it? (Apakah ini?) What is your name? (Saiapa namamu?) What is the answer? (Apakah jawabannya?) What was that? (Apakah itu tadi?) What do you
Lebih terperinciAPLIKASI PREDICTIVE TEXT BERBAHASA INDONESIA DENGAN METODE N-GRAM
APLIKASI PREDICTIVE TEXT BERBAHASA INDONESIA DENGAN METODE N-GRAM Silvia Rostianingsih 1), Sendy Andrian Sugianto 2), Liliana 3) 1, 2, 3) Program Studi Teknik Informatika Fakultas Teknologi Industri Universitas
Lebih terperinciLesson 23: How. Pelajaran 23: Bagaimana
Lesson 23: How Pelajaran 23: Bagaimana Reading (Membaca) How are you? (Bagaimana kabarmu?) How are your parents? (Bagaimana kabar orang tuamu?) How was the interview? (Bagaimana wawancaranya?) How is your
Lebih terperinciTEMU KEMBALI INFORMASI
Pendahuluan JULIO ADISANTOSO Departemen Ilmu Komputer IPB Pertemuan 1 PENDAHULUAN Pendahuluan Identitas Mata Kuliah Nama Mata Kuliah : Temu Kembali Informasi Kode Mata Kuliah : KOM431 Koordinator : Julio
Lebih terperinciBLOG UNTUK PEMBELAJARAN
SOAL ONLINE INTERAKTIF UNTUK BLOG Oleh : Susiantoro SMA Negeri 8 Kediri BLOG UNTUK PEMBELAJARAN Blog sekarang ini merupakan media yang cukup ampuh untuk pembelajaran. Banyak sekali layanan blog gratis
Lebih terperinciKLASIFIKASI BERITA BERDASARKAN PENDEKATAN SEMANTIK. Dimas Bagus Prasetyo 1 Freddy Arviando 2, Muhammad Farhan Mubarak 3 Sandy Febriant Eka Putra 4
KLASIFIKASI BERITA BERDASARKAN PENDEKATAN SEMANTIK Dimas Bagus Prasetyo 1 Freddy Arviando 2, Muhammad Farhan Mubarak 3 Sandy Febriant Eka Putra 4 1,2,3,4 Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciFOR IMMEDIATE RELEASE
FOR IMMEDIATE RELEASE Article No. 5384 Measuring Public Opinion for over 70 Years Available on www.roymorgan.com Roy Morgan Online Store Monday, 20 January 2014 Roy Morgan Keyakinan Konsumen Indonesia
Lebih terperinciBAB I PENDAHULUAN. memiliki pengetahuan, keterampilan, dan sikap positif yang akan. baik dalam perkembangan pengetahuan, penguasaan keterampilan, dan
BAB I PENDAHULUAN A. Latar Belakang Masalah Pada dasarnya tujuan dari pendidikan adalah membimbing siswa untuk memiliki pengetahuan, keterampilan, dan sikap positif yang akan digunakannya untuk menjalani
Lebih terperinciC / C++ / JAVA / C# / Python?
C / C++ / JAVA / C# / Python? C / C++, Python, dan Java merupakan bahasa pemrograman yang umum digunakan sebagai penunjang mata kuliah pemrograman. Lalu apa yang membedakan bahasa pemrograman satu dengan
Lebih terperinciLesson 66: Indirect questions. Pelajaran 66: Pertanyaan Tidak Langsung
Lesson 66: Indirect questions Pelajaran 66: Pertanyaan Tidak Langsung Reading (Membaca) Could you tell me where she went? (Bisakah kamu beritahu aku kemana dia pergi?) Do you know how I can get to the
Lebih terperinciTHE APPLICATION FORM FOR EMPLOYMENT Formulir permohonan kerja
THE PPLICTION FORM FOR EMPLOYMENT Formulir permohonan kerja Fill correctly, type in the complete and claer Isi dengan benar, Tulis dengan lengkap dan jelas Do not add or change the form and content of
Lebih terperinciINTRODUCTION OF DATA WAREHOUSE. Presented by HANIM M.A M. IRWAN AFANDI.
INTRODUCTION OF DATA WAREHOUSE 1 Presented by HANIM M.A M. IRWAN AFANDI. hanim03@gmail.com, hanim_maria@yahoo.com, andy_afandi@yahoo.com 2 Acknowledgments S. Sudarshan (Comp. Science and Engineering Dept,
Lebih terperinciJULIO ADISANTOSO - ILKOM IPB 1
KOM341 Temu Kembali Informasi KULIAH #1 Kontrak Perkuliahan Pendahuluan Matakuliah Nama Matakuliah : Temu Kembali Informasi Kode Matakuliah : KOM431 Beban Kredit : 3(3-0) Semester : Gasal, 2009/2010 Koordinator
Lebih terperinciKOM341 Temu Kembali Informasi
KOM341 Temu Kembali Informasi KULIAH #1 Kontrak Perkuliahan Pendahuluan Matakuliah o Nama Matakuliah : Temu Kembali Informasi o Kode Matakuliah : KOM431 o Beban Kredit : 3(3-0) o Semester : Gasal, 2014/2015
Lebih terperinciTeknik Kreatif Menyajikan Presentasi Memukau (Indonesian Edition)
Teknik Kreatif Menyajikan Presentasi Memukau (Indonesian Edition) Muhammad Noer Click here if your download doesn"t start automatically Teknik Kreatif Menyajikan Presentasi Memukau (Indonesian Edition)
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Penelitian Terkait Penelitian terkait dengan topik analisis sentimen cukup banyak, berikut beberapa penelitian yang tekait dengan analisa sentimen yang menggunakan seleksi
Lebih terperinciSistem Informasi. Soal Dengan 2 Bahasa: Bahasa Indonesia Dan Bahasa Inggris
Sistem Informasi Soal Dengan 2 Bahasa: Bahasa Indonesia Dan Bahasa Inggris 1. Kita mengetahui bahwa perkembangan teknologi di zaman sekarang sangat pesat dan banyak hal yang berubah dalam kehidupan kita.
Lebih terperinciLesson 47: like better, like the best. much more, more and more. Pelajaran 47: Lebih suka, paling suka, lebih, lebih dan lebih
Lesson 47: like better, like the best much more, more and more Pelajaran 47: Lebih suka, paling suka, lebih, lebih dan lebih Reading (Membaca) Which do you like better, English or Spanish? I like English
Lebih terperinciAlgoritma Brute Force (Bagian 2) Oleh: Rinaldi Munir Bahan Kuliah IF2251 Strategi Algoritmik
Algoritma Brute Force (Bagian 2) Oleh: Rinaldi Munir Bahan Kuliah IF2251 Strategi Algoritmik 1 Contoh-contoh lain 1. Pencocokan String (String Matching) Persoalan: Diberikan a. teks (text), yaitu (long)
Lebih terperinciIntegrasi Data Terstruktur dan Tidak Terstruktur dalam Sistem Inteligensi Bisnis
Integrasi Data Terstruktur dan Tidak Terstruktur dalam Sistem Inteligensi Bisnis Choerul Afifanto Komputasi Statistik, Sekolah Tinggi Ilmu Statistik, Jakarta, Indonesia 12.7077@stis.ac.id Abstract Kuantitas
Lebih terperinciTEACHING READING COMPREHENSION BY COMBINING PARTNER PREDICTION WITH PREDICT O- GRAM STRATEGY AT SENIOR HIGH SCHOOL
TEACHING READING COMPREHENSION BY COMBINING PARTNER PREDICTION WITH PREDICT O- GRAM STRATEGY AT SENIOR HIGH SCHOOL By: Lily Oktavia *) **) Herfyna Asty, M.Pd Staff Pengajar Program Studi Pendidikan Bahasa
Lebih terperinciLesson 20: Where, When. Pelajaran 20: Dimana, Kapan
Lesson 20: Where, When Pelajaran 20: Dimana, Kapan Reading (Membaca) Where is the City Hall? (Dimana City Hall?) Where are you now? (Dimana kamu sekarang?) Where is he working? (Dimana dia bekerja?) Where
Lebih terperinciDr. Taufik Fuadi Abidin, S.Si., M.Tech
Dr. Taufik Fuadi Abidin, S.Si., M.Tech Ketua Program Studi Informatika FMIPA Universitas Syiah Kuala tfa@informatika.unsyiah.ac.id www.informatika.unsyiah.ac.id/tfa Disampaikan pada Seminar Nasional Teknologi
Lebih terperinciPENGENALAN POLA TRANSAKSI SIRKULASI BUKU PADA DATABASE PERPUSTAKAAN MENGGUNAKAN ALGORITMA GENERALIZED SEQUENTIAL PATTERN
PENGENALAN POLA TRANSAKSI SIRKULASI BUKU PADA DATABASE PERPUSTAKAAN MENGGUNAKAN ALGORITMA GENERALIZED SEQUENTIAL PATTERN Supardi 1, Dian Eka Ratnawati, Wayan Firdaus Mahmudy Universitas Brawijaya Malang
Lebih terperinciAPLIKASI PENCARIAN HEWAN BERKAKI EMPAT DENGAN MENGGUNAKAN WEB SEMANTIK. : Faizal Wijayanto NPM :
APLIKASI PENCARIAN HEWAN BERKAKI EMPAT DENGAN MENGGUNAKAN WEB SEMANTIK NAMA : Faizal Wijayanto NPM : 12112697 PEMBIMBING : Dr. Metty Mustikasari, Skom., MSc LATAR BELAKANG MASALAH Masih kurangnya informasi
Lebih terperinciBAB I PENGANTAR Pendahuluan Penyajian 1.1 Latar Belakang 1.2 Algoritma dan Struktur Data
BAB I PENGANTAR Pendahuluan Program komputer dibuat berdasarkan langkah-langkah logis untuk menyelesaikan masalah. Lagkah-langkah tersebut ditulis dalam suatu instruksi yang bisa dipahami oleh komputer,
Lebih terperinciAplikasi Data Mining untuk meneliti Asosiasi Pembelian Item Barang di Supermaket dengan Metode Market Basket Analysis
Aplikasi Data Mining untuk meneliti Asosiasi Pembelian Item Barang di Supermaket dengan Metode Market Basket Analysis ANDREAS HANDOJO, GREGORIUS SATIA BUDHI, HENDRA RUSLY Jurusan Teknik Informatika Universitas
Lebih terperinciObservation and Experiment Method
Chapter 6 and Experiment Method Experimentation Data Collection Approach Investigative Question Measurement Questions Select Data Collection Approach Instrument Design Data Collection Approach Approach
Lebih terperinciBusiness Intelligence. Hendrik
Business Intelligence Hendrik } Fragmentasi sistem informasi secara vertical } Menghasilkan pengembangan sistem operasional yang berbasis aplikasi (pengguna) Sales Planning Stock Mngmt... Suppliers Debt
Lebih terperinciIntroduction to Big Data
14 September 2016 Introduction to Big Data Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Pengantar 2. Gambaran Umum Big Data 3. 3V (Karakteristik pada Big Data) 4. Ekosistem Big Data 5.
Lebih terperinciSMP kelas 8 - BAHASA INGGRIS CHAPTER 4Latihan Soal 4.1. Since the first publishing 3 weeks ago, there have been over 500 copies sold.
1. Farhan : So, how many copies have been sold this far? Yola : Thank God. Many people seem to like it very much. SMP kelas 8 - BAHASA INGGRIS CHAPTER 4Latihan Soal 4.1 Since the first publishing 3 weeks
Lebih terperinciLingkungan Pengembangan HASIL DAN PEMBAHASAN Koleksi Dokumen Pengujian Pengolahan Query
5 Lingkungan Pengembangan Perangkat lunak yang digunakan dalam penelitian ialah: Sistem Operasi Windows 7. Sphinx Search. XAMPP versi 1.7.3. Named Entity Tagger bahasa Indonesia. Perangkat keras yang digunakan
Lebih terperinciHUBUNGAN TOILET LEARNING TERHADAP KEMAMPUAN ANAK USIA BULAN DALAM MENGONTROL ELIMINASI DI POSYANDU MELATI KELURAHAN TLOGOMAS MALANG ABSTRAK
HUBUNGAN TOILET LEARNING TERHADAP KEMAMPUAN ANAK USIA 18 24 BULAN DALAM MENGONTROL ELIMINASI DI POSYANDU MELATI KELURAHAN TLOGOMAS MALANG Dede Kendi 1), Atti Yudiernawati 2), Neni Maemunah 3) 1) Mahasiswa
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dengan berkembangnya Internet, banyak informasi tersedia dalam World Wide Web yang dapat diakses di seluruh negara. Pada saat pencarian informasi menggunakan search
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Optimasi SQL Query untuk Information Retrieval pada Aplikasi Berbasis Web Mukhammad Andri Setiawan Jurusan Teknik Informatika,
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 terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI Pada tinjauan pustaka ini akan dibahas tentang konsep dasar dan teori-teori yang mendukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Basis Data (Database) Database
Lebih terperinciParsing dan Konversi Kalimat Tanya Konfirmatif Menjadi Query Sparql Menggunakan Pendekatan Top-Down Parsing
Volume 9 Nomor 2, Oktober 2016 Hlm. 91-98 ISSN 0216-9495 (Print) ISSN 2502-5325 (Online) Parsing dan Konversi Kalimat Tanya Konfirmatif Menjadi Query Sparql Menggunakan Pendekatan Top-Down Parsing Mohammad
Lebih terperinciPetunjuk Penggunaan Aplikasi
Petunjuk Penggunaan Aplikasi Berikut adalalah panduan penggunaan aplikasi Online Learning System: 1. Halaman Sign Up Halaman ini dipakai untuk melakukan proses registrasi user sebagai member dalam sistem
Lebih terperinciKLASIFIKASI DOKUMEN REPOSITORY SECARA OTOMATIS MENGGUNAKAN METODE BAYESIAN NETWORK
Lukman Syafie / JUPITER Volume XV No.2 (2016) 109 KLASIFIKASI DOKUMEN REPOSITORY SECARA OTOMATIS MENGGUNAKAN METODE BAYESIAN NETWORK Lukman Syafie Staf Pengajar Teknik Informatika, Fakultas Ilmu Komputer
Lebih terperinciPENCARIAN DOKUMEN BERDASARKAN KOMBINASI ANTARA MODEL RUANG VEKTOR DAN MODEL DOMAIN ONTOLOGI
PENCARIAN DOKUMEN BERDASARKAN KOMBINASI ANTARA MODEL RUANG VEKTOR DAN MODEL DOMAIN ONTOLOGI Agung Hadhiatma Jurusan Teknik Informatika, Fakultas Sains dan Teknologi, Universitas Sanata Dharma Yogyakarta
Lebih terperinciContoh Pengembangan Bahan Ajar untuk Program Audio (Bahan Ajar untuk Latihan Keterampilan Mendengarkan)
Contoh Pengembangan Bahan Ajar untuk Program Audio (Bahan Ajar untuk Latihan Keterampilan Mendengarkan) 1.Buat silabus (peta bahan ajar) untuk keteramplan mendengarkan dengan format berikut: Kompetensi
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 terperinci