Teknik Informatika UKDW Yogyakarta

Transkripsi

1 Budi Susanto Versi /01/ Memahami pengertian dari text mining dan web mining Memahami latar belakang perlunya pengolahan dokumen teks dan web Memahami arsitektur dasar aplikasi text dan web mining Mengetahui beberapa contoh aplikasi text dan web mining 2 1

2 Outlook Temperature Humidity Windy Play Sunny Hot High False No Sunny Hot High True No Overcast Hot High False Yes Rainy Mild High False Yes Rainy Cool Normal False Yes Rainy Cool Normal True No Overcast Cool Normal True Yes Sunny Mild High False No Sunny Cool Normal False Yes Rainy Mild Normal False Yes Sunny Mild Normal True Yes Overcast Mild High True Yes Overcast Hot Normal False Yes Rainy Mild High True No 3 4 2

3 5 Menurut Loretta Auvil dan Duane Searsmith dari University of Illinois, karakteristik dokumen teks: database teks yang berukuran besar, memiliki dimensi yang tinggi, yakni satu kata merupakan satu dimensi, mengandung kumpulan kata yang saling terkait (frase) dan antara kumpulan kata satu dengan lain dapat memiliki arti yang berbeda, banyak mengandung kata ataupun arti yang bias (ambiguity), dokumen merupakan dokumen yang tidak memiliki struktur bahasa yang baku, karena di dalamnya terkadang muncul istilah slank seperti r u there?, helllooo bosss, whatzzzzzzz up?, dan sebagainya. 6 3

4 Data mining adalah suatu proses yang secara otomatis mencari atau menemukan informasi yang bermanfaat dari suatu kumpulan data yang besar. Tidak semua tugas penemuan informasi disebut sebagai data mining. Sebagai contoh, pencarian data pribadi dengan menggunakan sebuah sistem manajemen basis data, atau pencarian suatu halaman web tertentu dengan cara melakukan query pada search engine di Internet. Sebutkan contoh lain? 7 Text mining merupakan penerapan konsep dan teknik data mining untuk mencari pola dalam teks, yaitu proses penganalisisan teks guna menyarikan informasi yang bermanfaat untuk tujuan tertentu. Berdasarkan ketidakteraturan struktur data teks, maka proses text mining memerlukan beberapa tahap awal yang pada intinya adalah mempersiapkan agar teks dapat diubah menjadi lebih terstruktur. 8 4

5 9 tahap text preprocessing akan dilakukan analisis terhadap sintak dan atau semantik (di sini terdapat proses tokenisasi). tahap text transformation, diterapkan proses stopword list dan atau stemming. tahapan features selection akan dilakukan perhitungan jumlah kata yang muncul ataupun statistik sederhana lainnya. 10 5

6 Tokenisasi secara garis besar memecah sekumpulan karakter dalam suatu teks ke dalam satuan kata. bagaimana membedakan karakter-karakter tertentu yang dapat diperlakukan sebagai pemisah kata atau bukan. Sebagai contoh karakter whitespace, seperti enter, tabulasi, spasi dianggap sebagai pemisah kata. Namun untuk karakter petik tunggal ('), titik (.), semikolon (;), titk dua (:) atau lainnya, dapat memiliki peran yang cukup banyak sebagai pemisah kata. Sebagai contoh antara tahu, tempet dan sambal dengan 100, Dalam memperlakukan karakterkarakter dalam teks sangat tergantung sekali pada kontek aplikasi yang dikembangkan. Pekerjaan tokenisasi ini akan semakin sulit jika juga harus memperhatikan struktur bahasa (grammatikal). 12 6

7 Karakter Nonalphanumeric contoh: Yahoo!, AT&T, dsb. Sebuah titik (.) biasanya untuk tanda akhir kalimat, tapi dapat juga muncul dalam singkatan, inisial orang, alamat internet Contoh: Sdr., S.Kom., , ukdw.ac.id Tanda hypen (-) biasanya muncul untuk menggabungkan dua token yang berbeda untuk membentuk token tunggal. Tapi dapat pula ditemukan untuk menyatakan rentang nilai, kata berulang, dsb. Contoh: x-ray, , lari-lari. 13 Karakter slash ( / ) sebagai pemisah file atau direktori atau url ataupun untuk menyatakan dan atau Contoh: /opt/rapidminer, num=100&q=text+mining, Ibu/Bapak. URL. Format nomor telepon. Emoticon Format angka Frase 14 7

8 Setelah deretan karakter telah disegmentasi ke dalam kata-kata (token), langkah berikut yang mungkin dilakukan adalah mengubah setiap token ke bentuk standard. Proses ini disebut menerapkan stemming dan atau lemmatization. Tujuan: untuk mendapatkan bentuk dasar umum dari suatu kata. Contoh: Am, are, is => be Car, cars, car's, cars' => car 15 Stemming Proses heuristic yang memotong akhir kata, dan sering juga membuang imbuhan. Lemmatization Serupa dengan stemming, hanya lebih baik hasilnya. Memperhatikan kamus dan analisis morfologi. Menghasilkan kata dasar (lemma) N-gram 16 8

9 Prinsip dari ZIPF s LAW Kita menggunakan sedikit kata lebih sering dan jarang untuk sebagian besar kata lain. Rata-rata 20% kata-kata berperan sebagai mayoritas kata dalam suatu teks. Kata-kata yang memiliki frekuensi kemunculan tinggi, dapat dibuang. 17 Karakteristik ciri/sifat sebuah dokumen dinyatakan oleh token atau kata-kata di dalamnya. 18 9

10 Dalam pembentukan features, dapat juga menerapkan pembobotan: TF/IDF Chi-Square Information Gain

11

12 23 Klasifikasi Dokumen Information Retrieval Pengorganisasian dan Clustering Dokumen Information Extraction Natural Language Processing Text Summarization 24 12

13 25 Analisis cluster adalah pengorganisasian kumpulan pola ke dalam cluster (kelompok-kelompok) berdasar atas kesamaannya. Pola-pola dalam suatu cluster akan memiliki kesamaan ciri/sifat daripada pola-pola dalam cluster yang lainnya

14 Clustering bermanfaat untuk melakukan analisis pola-pola yang ada, mengelompokkan, membuat keputusan dan machine learning, termasuk data mining, document retrieval, segmentasi citra, dan klasifikasi pola. Metodologi clustering lebih cocok digunakan untuk eksplorasi hubungan antar data untuk membuat suatu penilaian terhadap strukturnya

15 Konsep dasar dari IR adalah pengukuran kesamaan sebuah perbandingan antara dua dokumen, mengukur sebearapa mirip keduanya. Setiap input query yang diberikan, dapat dianggap sebagai sebuah dokumen yang akan dicocokan dengan dokumen-dokumen lain. Pengukuran kemiripan serupa dengan metode klasifikasi yang disebut metode nearest-neighbour

16 Information Extraction bermanfaat untuk menggali struktur informasi dari sekumpulan dokumen. Dalam menerapkan IE, perlu sekali dilakukan pembatasan domain problem. IE sangat memerlukan NLP untuk mengetahui gramatikal dari setiap kalimat yang ada. Sebagai contoh: Indonesia dan Singapore menandatangani MoU kerjasama dalam bidang informasi dan komunikasi. KerjaSama(Indonesia, Singapore, TIK) 31 Dengan IE, kita dapat menemukan: concepts (CLASS) concept inheritance (SUBCLASS-OF) concept instantiation (INSTANCE-OF) properties/relations (RELATION) domain and range restrictions (DOMAIN/ RANGE) equivalence 32 16

17 33 Web Mining bertujuan untuk menemukan informasi atau pengetahuan dari: Web hyperlink structure menemukan halaman web terpenting menemukan komunitas pemakai yang berbagi ketertarikan topik yang sama page content Ekstraksi data/informasi dari halaman web Integrasi dan pencocokan skema informasi beberapa web Ekstraksi opini Knowledge synthesis Segmentasi halaman web dan mendeteksi noise usage data. menemukan pola akses pemakai terhadap web, melalaui click stream

18 Web Structure Mining Wrapper induction Structure Matching: edit distance Web Content Mining Machine learning dan information extraction Web Usage Mining Sequence pattern analysis 35 jumlah data/informasi di web sangat besar dan terus bertambah. tipe data beragam informasi pada web sangat beragam. informasi-informasi di web saling terhubung. informasi di web sangat "kotor". web juga merupakan service. web dinamis web merupakan sarana komunitas sosial virtual

19 Dengan analisis terhadap tautan dari sekumpulan halaman web, dapat ditentukan sifat authoritative tiap web. PageRank HITS Atau bisa menggunakan beberapa metode Social Network Analysis Betweeness centrality Closeness centrality Degree centrality 37 Aggregate content Asosiasi informasi Reference structure folksonomy Algorithms Prediksi, rekomendasi, klasifikasi, clustering 38 19

20 Social networking site Mashups Portals Wikis Media-sharing sites Online gaming Semantic Web

21 4/1/

22 43 Repositori data terstruktur dari 23 juta entitas Entitas dapat berupa orang, organisasi, tempat, atau sesuatu objek