ANALISIS LINK. Tujuan 4/23/13. Budi Susanto
|
|
- Agus Budiaman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Text dan Web Mining - TI UKDW ANALISIS LINK udi Susanto Text dan Web Mining - TI UKDW 2 Tujuan memahami karakteristik link antar laman yang dapat dimodelkan sebagai graf. memahami algoritma PageRank memahami Hubs and Authority
2 Text dan Web Mining - TI UKDW 3 Struktur Web struktur hypertextual memberikan sebuah jaringan informasi node mewakili laman yang berisi informasi link menyatakan relasi antar node. entuk hypertextual pertama adalah konsep citation di antara book atau artikel ilmiah. node mewakili buku/artikel edge mewakili citation dari satu karya ke lainnya. perbedaan utama dengan web: citation dikelola lebih kuat berdasar waktu. citation mengarah pada karya sebelumnya. entuk hypertextual lain adalah cross-references dalam ensiklopedia Text dan Web Mining - TI UKDW 4 Contoh citation hypertextual 2
3 Text dan Web Mining - TI UKDW 5 Contoh Cross Reference network Text dan Web Mining - TI UKDW 6 Pemikiran Vannevar ush ush menyatakan bahwa informasi yang tersimpan pada buku, perpustakaan, atau bahkan memori komputer adalah linear. berisi koleksi item yang diurutkan dalam urutan tertentu. ush membayangkan sebuah hypothetical prototype, disebut Memex, yang fungsinya serupa dengan Web berisi bentuk digital dari pengetahuan manusia yang saling berhubungan dengan associative link. Pemikiran tentang Web: web sebagai ensiklopedia universal, web sebagai sistem socio-economic raksasa, web sebagai otak global. 3
4 Text dan Web Mining - TI UKDW 7 Web sebagai Directed Graph Tautan navigasi membentuk struktur backbone dari Web, daripada memperkaya isi. tautan antar laman Web diterapkan sebagai bentuk graf berarah, mengingat bentuk tautan dapat bersifat asimetrik. blog Anda memiliki link ke UKDW, namun tidak tentu UKDW memiliki link ke blog Anda. Text dan Web Mining - TI UKDW 8 Contoh Web Directed Graph 4
5 Text dan Web Mining - TI UKDW 9 Strongly Connected Sebuah directed graph dikatakan terhubung kuat jika terdapat sebuah jalur dari setiap node ke setiap node lainnya. Contoh pada slide 8 bukanlah directed graph yang terhubung kuat. Mengapa? Jika sebuah directed graph tidak terhubung kuat, maka perlu diperhatikan atribut lain, yaitu: reachability. mengenali node mana saja yang reachable dari node lain melalui jalur-jalur yang terbentuk. Text dan Web Mining - TI UKDW 0 Strongly Connected Component SCC dalam directed graph adalah sebuah subset node sedemikian rupa, sehingga: setiap node dalam subset memiliki sebuah jalur ke node lainnya, dan subset bukan merupakan bagian himpunan yang lebih besar lainnya dengan properti bahwa setiap node dapat mencapai setiap node lainnya. 5
6 Text dan Web Mining - TI UKDW Strongly Connected Component Text dan Web Mining - TI UKDW 2 Link Link dapat menjadi sumber keaslian dan pengakuan/ otoritas. mail spam phone call log host quality? Good?? ad? 6
7 Text dan Web Mining - TI UKDW 3 Link Node Good tidak akan menunjuk ke node ad. Jika sebuah node menunjuk ke node ad, maka node tersebut ad. Jika node Good menunjuk sebuah node, maka node tersebut juga Good. Good? ad Text dan Web Mining - TI UKDW 4 Link dan IR Sebagian besar sistem IR didasarkan pada isi dari teks. Link dapat digunakan untuk: scoring dan ranking link-based clustering struktur topik dari link Link sebagai feature dalam klasifikasi dokumen yang bertautan dengan dokumen lain dikatakan mungkin dalam satu subjek. Crawling menggunakan link untuk mengambil dokumen lainnya. 7
8 Text dan Web Mining - TI UKDW 5 Web sebagai Directed Graph Assumption : sebuah hyperlink antar halaman menyatakan sebuah pengakuan otoritas (sinyal kualitas) Assumption 2: teks dalam anchor dari sebuah hyperlink mengambarkan halaman sasaran (textual context) Page A Anchor hyperlink Page Text dan Web Mining - TI UKDW 6 Web sebagai Directed Graph G = (V, E) G adalah directed graf V adalah himpunan halaman web N adalah jumlah halaman web V = N Jika halaman u memiliki link ke halaman v, maka ( u, v) E 8
9 Text dan Web Mining - TI UKDW 7 Pengindeksan Teks Anchor Ketika mengindeks dokumen D, teks anchor disertakan dari link yang menunjuk ke D. Armonk, NY-based computer giant IM announced today Joe s computer hardware links Sun HP IM ig lue today announced record profits for the quarter Text dan Web Mining - TI UKDW 8 Pengindeksan Teks Anchor Namun terkadang tidak semua teks anchor adalah benar. Dapatkah memberi bobot terhadap teks anchor? bobot dapat dilakukan dengan memberikan tanda pada setiap halaman yang memiliki teks anchor. jika web tersebut dipercaya, misalnya Google, Yahoo!, maka teks anchor memiliki bobot tinggi. Aplikasi lainnya pembobotan terhadap link dalam graf menghasilkan deskripsi halaman dari teks anchor. 9
10 Text dan Web Mining - TI UKDW 9 PageRank Mengukur kualitas dari sebuah halaman web tidak dapat hanya menggunakan in-links. Sebuah web page dikatakan memiliki reputasi baik, jika halaman web bereputasi baik menunjuk web page tersebut. PageRank merupakan metode pembobotan setiap halaman dengan nilai antara 0. v V = v v, 0 V Text dan Web Mining - TI UKDW 20 PageRank Setiap halaman web akan memiliki bobot PageRank, dengan notasi: U menyatakan: berapa banyak halaman lain yang menunjuk ke halaman u. PageRank sebuah halaman adalah jumlah dari semua PageRank dari setiap halaman yang menunjuk ke halaman tersebut (indegree). V = U ( U, V ) E 0
11 Text dan Web Mining - TI UKDW 2 Naïve PageRank Jika halaman A menunjuk halaman, A berkontribusi dari PageRanknya untuk halaman. Halaman mengumpulkan kontribusi dari semua halaman yang menunjuk ke, untuk menentukan PageRank. A A C = 2 = 2 = + A C C A + + C = d A Text dan Web Mining - TI UKDW 22 Contoh E A A C C D A C D
12 Text dan Web Mining - TI UKDW 23 Kelemahan Naïve PageRank vulnerable to collision apa yang disebut sebagai link spam. pada slide 22, node C, D, dan E adalah link spam. dapat menghasilkan solusi tak terbatas Q A C P R tidak menemukan solusi Text dan Web Mining - TI UKDW 24 PageRank Menurut Page dan rin (998), untuk menghindari masalah naïve pagerank, diasumsikan pemakai mengunjungi tautan secara random dengan suatu probability tertentu. V = P + P 2 $ P = λ & % (U,V ) E ( λ) P 2 = N U d U Nilai λ pada umumnya bernilai 0.85 P adalah probabilitas mengunjungi v dari halaman lain P2 adalah probabilitas mengunjungi v secara acak ' ) ( 2
13 Text dan Web Mining - TI UKDW 25 PageRank Karena pada kenyataannya jumlah halaman web yang dihitung sangatlah banyak, maka dilakukan pendekatan iteratif untuk setiap nilai PageRank halaman. Dalam tiap iterasi, digunakan formula: p(k+) = p(k) * H p adalah vektor PageRank tiap halaman web Untuk inisialisasi, p(0), digunakan nilai /n untuk tiap halaman. n adalah jumlah halaman dalam graf. kemudian dilakukan perulangan sampai nilai perbedaan antar kedua vektor terakhir cukup kecil. ditentukan dengan sebuah threshold. Text dan Web Mining - TI UKDW 26 PageRank Untuk mencegah adanya hasil PageRank adalah 0 jika ditemukan adanya dangling nodes, maka matrix teleporation H, harus diubah dengan langkah: uat matrix untuk Dangling Node d ij = 0 jika H ij > 0 d ij = jika H ij = 0 Update matrix H dengan G (Google) Matrix: T H = λh + ( λd + ( λ) e) e N matrix e T adalah vektor berisi. transporter 3
14 Text dan Web Mining - TI UKDW 27 PageRank: Contoh 0 /3 /3 /3 A C H= 0 0 ½ ½ D Non Zero baris ke-i menunjukkan outlinking page dari halaman ke-i. Non Zero kolom ke-j menunjukkan inlinking page dari halaman ke-j. Text dan Web Mining - TI UKDW 28 PageRank: Contoh 0 dangling= 0 0 e= e T = 0 G = λh + (λd + ( λ)e) N et G=
15 Text dan Web Mining - TI UKDW 29 PageRank: Contoh p0= 0.25 p= = p-p0 = abs( )+ abs( )+ abs( )+ abs( )=0.002 Text dan Web Mining - TI UKDW 30 PageRank: Contoh p2= = p2-p = abs( )+ abs( )+ abs( )+ abs( )= Sehingga p adalah vektor v* (equilibrium value) yang merupakan nilai PageRank untuk tiap halaman yang diharapkan. 5
16 Text dan Web Mining - TI UKDW 3 Algoritma HITS HITS singkatan dari Hypertext Induced Topic Search. Ketika pemakai memberikan query, HITS pertama akan mendapatkan hasil dokumen yang relevan dengan query oleh mesin pencari dan menghasilkan 2 rangking: authority ranking hub ranking Authority adalah sebuah halaman dengan in-links Hub adalah sebuah halaman dengan out-links. Text dan Web Mining - TI UKDW 32 HITS Hubs Alice ob AT&T ITIM O2 Authorities Mobile telecom companies 6
17 Text dan Web Mining - TI UKDW 33 Algoritma HITS Text dan Web Mining - TI UKDW 34 Contoh HITS 0 0 A= 0 0 A C u= A T =
18 Text dan Web Mining - TI UKDW 35 Contoh HITS v= A T.u = = Update vector hub u= A.v = = Halaman C paling authoritative, sedangkan A, dn hub penting. Text dan Web Mining - TI UKDW 36 TERIMA KASIH budi susanto 8
Penelusuran Informasi (Information Retrieval)
Introduction to Information Retrieval Penelusuran Informasi (Information Retrieval) Sumber: CS276: Information Retrieval and Web Search Pandu Nayak and Prabhakar Raghavan Taufik Fuadi Abidin Link Analysis
Lebih terperinciMETODE ANALISIS JEJARING SOSIAL
Text dan Web Mining - Budi Susanto 1 METODE ANALISIS JEJARING SOSIAL Budi Susanto Text dan Web Mining - Budi Susanto 2 Tujuan memahami metode centrality pada suatu graf untuk menemukan node yang paling
Lebih terperinciPENGANTAR ANALISIS JEJARING
Text dan Web Mining - Budi Susanto 1 PENGANTAR ANALISIS JEJARING Budi Susanto (v.1.1) Text dan Web Mining - Budi Susanto 2 Tujuan memahami metode centrality pada suatu graf untuk menemukan node yang paling
Lebih terperinciPenerapan Graf dalam Algoritma PageRank Mesin Pencari Google
Penerapan Graf dalam Algoritma PageRank Mesin Pencari Google Adya Naufal Fikri - 13515130 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha
Lebih terperinciPenerapan Graf pada PageRank
Penerapan Graf pada PageRank Hartono Sulaiman Wijaya 13509046 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 KLASIFIKASI PADA TEXT MINING Budi Susanto Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Budi Susanto KLASIFIKASI PADA TEXT MINING Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa algoritma klasifikasi: KNN Naïve Bayes Decision
Lebih terperinciPemanfaatan Algoritma Hybrid Ant Colony Optimization dalam Menyelesaikan Permasalahan Capacitated Minimum Spanning Tree. Tamam Asrori ( )
Pemanfaatan Algoritma Hybrid Ant Colony Optimization dalam Menyelesaikan Permasalahan Capacitated Minimum Spanning Tree Tamam Asrori (5104 100 146) Pendahuluan Latar Belakang Tujuan Dan Manfaat Rumusan
Lebih terperinciANALISIS CLUSTER PADA DOKUMEN TEKS
Budi Susanto ANALISIS CLUSTER PADA DOKUMEN TEKS Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep analisis clustering Memahami tipe-tipe data dalam clustering Memahami beberapa algoritma
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 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 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 terperinciSEO SEO ( Search Engine Optimization)
SEO SEO ( Search Engine Optimization) Oleh: Tim Modul Osca http://osca-akakom.org SEO SEO ( Search Engine Optimization) SEO ( Search Engine Optimization) merupakan cara atau usha yang dapat kita lakukan
Lebih terperinciAplikasi Aljabar Vektor dalam Algoritma Page Rank
Aplikasi Aljabar Vektor dalam Algoritma Page Rank Albertus Kelvin / 13514100 Program Studi Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia
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 terperinciBAB IV PREPROCESSING DATA MINING
BAB IV PREPROCESSING DATA MINING A. Konsep Sebelum diproses data mining sering kali diperlukan preprocessing. Data preprocessing menerangkan tipe-tipe proses yang melaksanakan data mentah untuk mempersiapkan
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 terperinciANALISIS CLUSTER PADA DOKUMEN TEKS
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 ANALISIS CLUSTER PADA DOKUMEN TEKS Budi Susanto (versi 1.3) Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep analisis clustering Memahami
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 terperinciDAFTAR ISI Transformasi data... 47
DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN... ii HALAMAN PERNYATAAN... iii PRAKATA... iv DAFTAR ISI... vi DAFTAR TABEL... ix DAFTAR GAMBAR... xi INTISARI... xiii ABSTRACT... xiv BAB I PENDAHULUAN...
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Defenisi Graf Graf G didefenisikan sebagai pasangan himpunan (V,E), ditulis dengan notasi G = (V,E), yang dalam hal ini V adalah himpunan tidak kosong dari simpul-simpul
Lebih terperinciDiktat Algoritma dan Struktur Data 2
BB X GRF Pengertian Graf Graf didefinisikan sebagai pasangan himpunana verteks atau titik (V) dan edges atau titik (E). Verteks merupakan himpunan berhingga dan tidak kosongdari simpul-simpul (vertices
Lebih terperinciSTUDI WORLD WIDE WEB SEBAGAI SEBUAH GRAF BERARAH
STUDI WORLD WIDE WEB SEBAGAI SEBUAH GRAF BERARAH Indah Kuntum Khairina NIM : 13505088 Program Studi Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung E-mail : if115088@students.if.itb.ac.id
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tes Secara harfiah kata tes berasal dari kata bahasa prancis kuno: testum yang berarti piring untuk menyisihkan logam-logam mulia, dalam bahasa Indonesia diterjemahkan dengan
Lebih terperinciLANDASAN TEORI. Bab Konsep Dasar Graf. Definisi Graf
Bab 2 LANDASAN TEORI 2.1. Konsep Dasar Graf Definisi Graf Suatu graf G terdiri atas himpunan yang tidak kosong dari elemen elemen yang disebut titik atau simpul (vertex), dan suatu daftar pasangan vertex
Lebih terperinciBAB I Pendahuluan. 1 Launching Business on the Web, David Cook and Deborah Sellers, QUE, 1995, hal 12.
BAB I Pendahuluan Perkembangan teknologi komputer akhir-akhir semakin maju, terutama perkembangan dibidang teknologi informasi, karena didukung oleh perkembangan perangkat keras, perangkat lunak dan jaringan
Lebih terperinciText dan Web Mining. Budi Susanto Teknik Informatika UKDW Yogyakarta
Text dan Web Mining Budi Susanto Teknik Informatika UKDW Yogyakarta Deskripsi Matakuliah ini secara prinsip menekankan tentang teknik-teknik yang perlu diketahui mahasiswa dalam mengelola kumpulan dokumen
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 terperinciHASIL DAN PEMBAHASAN. untuk langkah berikutnya hingga tercapai hasil maksimal.
6 Learning). Setiap tahapan dalam SEO memerlukan cara kerja dengan melewati setiap fase dalam ARC seperti ditunjukkan pada Gambar 5. Gambar 5 Action Research Model. Diagnosa Tujuan dari penerapan SEO ini
Lebih terperinciBAB II TINJAUAN PUSTAKA. a) Purwadhi (1994) dalam Husein (2006) menyatakan: perangkat keras (hardware), perangkat lunak (software), dan data, serta
BAB II TINJAUAN PUSTAKA 2.1 Sistem Informasi Geografis (SIG) 2.1.1 Pengertian Sistem Informasi Geografis Ada beberapa pengertian dari sistem informasi geografis, diantaranya yaitu: a) Purwadhi (1994) dalam
Lebih terperinciAnalisis Graf Berarah Pada Algoritma PageRank di Mesin Pencari
Analisis Graf Berarah Pada Algoritma PageRank di Mesin Pencari Muhamad Fikri Alhawarizmi - 13513009 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung,
Lebih terperinciProses mengelompokkan suatu set objek ke dalam kelompok-kelompok objek yang sejenis. Bentuk yang paling umum digunakan adalah unsupervised learning
CLUSTERING DEFINISI Clustering : Proses mengelompokkan suatu set objek ke dalam kelompok-kelompok objek yang sejenis Bentuk yang paling umum digunakan adalah unsupervised learning # Unsupervised learning
Lebih terperinciE-MARKETING. On Page SEO
E-MARKETING On Page SEO PERILAKU KONSUMEN Tendensi Perilaku Konsumen Kemungkinan Besar Membeli Atas Dasar REKOMENDASI Proses Konversi E-Marketing Riset pasar (pencari Informasi) Tahapan pembelian Online
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI.. Definisi Graf Secara matematis, graf G didefinisikan sebagai pasangan himpunan (V,E) ditulis dengan notasi G = (V, E), yang dalam hal ini: V = himpunan tidak-kosong dari simpul-simpul
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 terperinciPengenalan Algoritma & Struktur Data. Pertemuan ke-1
Pengenalan Algoritma & Struktur Data Pertemuan ke-1 Apa itu Struktur Data? PROGRAM ALGO RITMA STRUKTUR DATA Algoritma.. deskripsi langkah-langkah penyelesaian masalah yang tersusun secara logis 1. Ditulis
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan internet secara pesat dengan miliaran halaman web tersedia di internet dan halaman-halaman tersebut selalu tumbuh setiap waktunya, Akibat dari pertumbuhan
Lebih terperinciBAB II TINJAUAN PUSTAKA
II TINJUN PUSTK 2.1 Pengertian Sistem Informasi Geografis Sistem Informasi Geografis atau Geographic Information Sistem (GIS) merupakan sistem komputer yang digunakan untuk memasukkan, menyimpan, memeriksa,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Graf adalah salah satu metode yang sering digunakan untuk mencari solusi dari permasalahan diskrit dalam dunia nyata. Dalam kehidupan sehari-hari, graf digunakan untuk
Lebih terperinciPemanfaatan Directed Acyclic Graph untuk Merepresentasikan Hubungan Antar Data dalam Basis Data
Pemanfaatan Directed Acyclic Graph untuk Merepresentasikan Hubungan Antar Data dalam Basis Data Winson Waisakurnia (13512071) Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut
Lebih terperinciDOSEN PEMBIMBING Chastine Fatichah, S.Kom, M.Kom MAHASISWA Yudis Anggara P. ( )
Sidang Tugas Akhir September 2009 Implementasi Metode Ant Colony Optimization untuk Pemilihan Fitur pada Kategorisasi Dokumen Teks DOSEN PEMBIMBING Chastine Fatichah, S.Kom, M.Kom MAHASISWA Yudis Anggara
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
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 terperinciIMPLEMENTASI SEARCH ENGINE OPTIMIZATION (SEO) UNTUK MENINGKATKAN PERINGKAT DI SERP PADA GOOGLE HUMMINGBIRD
IMPLEMENTASI SEARCH ENGINE OPTIMIZATION (SEO) UNTUK MENINGKATKAN PERINGKAT DI SERP PADA GOOGLE HUMMINGBIRD Rasyid Panji Ishwara Universitas Dian Nuswantoro Jl. Nakula I No. 5-11 Semarang 50131 E-mail :
Lebih terperinciAplikasi Teori Graf dalam Algoritma PageRank dan Optimasi SEO Website
Aplikasi Teori Graf dalam Algoritma PageRank dan Optimasi SEO Website I Kadek Yuda Budipratama Giri / 13516115 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi
Lebih terperinci1. BAB I PENDAHULUAN 1.1. Latar Belakang ,
1. BAB I PENDAHULUAN 1.1. Latar Belakang Hasil survey Badan Kesejahteraan Keluarga Pemberdayaan Perempuan dan Keluarga Berencana (BKKPPKB) tahun 2009 menunjukkan angka kemiskinan di Kabupaten Bantul sebanyak
Lebih terperinciKULIAH 11 WEB IR. BAB 13 Baeza-Yates & Ribeiro-Neto. Fakultas Ilmu Komputer Universitas Indonesia
KULIAH 11 WEB IR BAB 13 Baeza-Yates & Ribeiro-Neto World Wide Web Dikembangkan oleh Tim Berners-Lee pada tahun 1990 di CERN untuk mengorganisasikan dokumen penelitian yang ada di Internet. Mengembangkan
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 terperinciBAB III ANALISIS PENYELESAIAN MASALAH
BAB III ANALISIS PENYELESAIAN MASALAH Pada bab ini akan dipaparkan analisis yang dilakukan dalam pengerjaan Tugas Akhir ini. Analisis diawali dengan analisis terhadap konsep Bayesian network yang diperlukan
Lebih terperinciOPTIMASI SITUS WEB UNTUK MENINGKATKAN URUTAN DI SERP MENGGUNAKAN METODE SEO
OPTIMASI SITUS WEB UNTUK MENINGKATKAN URUTAN DI SERP MENGGUNAKAN METODE SEO Fahrizal Aji Cahyadi Program Studi Teknik Informatika, Fakultas Ilmu Komputer Universitas Dian Nuswantoro Jl. Nakula I No. 5-11
Lebih terperinciGRAF. V3 e5. V = {v 1, v 2, v 3, v 4 } E = {e 1, e 2, e 3, e 4, e 5 } E = {(v 1,v 2 ), (v 1,v 2 ), (v 1,v 3 ), (v 2,v 3 ), (v 3,v 3 )}
GRAF Graf G(V,E) didefinisikan sebagai pasangan himpunan (V,E), dengan V adalah himpunan berhingga dan tidak kosong dari simpul-simpul (verteks atau node). Dan E adalah himpunan berhingga dari busur (vertices
Lebih terperinciBAB III PERANCANGAN. Fitur. Reduksi & Pengelompokan. Gambar 3.1. Alur Pengelompokan Dokumen
BAB III PERANCANGAN Pada bab ini akan delaskan tahapan yang dilalui dalam melakukan perancangan penelitian yang akan dilakukan dalam tugas akhir ini. Tahapan tersebut meliputi perancangan implementasi
Lebih terperinciBAB I PENDAHULUAN. Dengan menggunakan kecerdasan buatan maka tidaklah mustahil akan ada mesin yang benar-benar mampu berpikir layaknya manusia.
BAB I PENDAHULUAN 1.1 Latar Belakang Informasi merupakan bagian penting yang tidak dapat dipisahkan dari kehidupan sehari-hari, sehingga manusia berupaya membuat alat bantu agar informasi yang disampaikan
Lebih terperinciBAB I PENDAHULUAN. Teknologi Informasi saat ini mengalami perkembangan yang signifikan.
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi Informasi saat ini mengalami perkembangan yang signifikan. Beragam aspek kehidupan sangat terbantu dengan perkembangan teknologi informasi ini. Hal
Lebih terperinciSEARCH ENGINE OPTIMIZATION (SEO) CHECKLIST
SEARCH ENGINE OPTIMIZATION (SEO) CHECKLIST ABAH RADITYA DAFTAR ISI 1. ON PAGE SEO... 3 1.1. KONTEN... 3 1.2. ARSITEKTUR... 3 1.3. HTML... 4 2. OFF PAGE SEO... 4 2.1. TRUST... 4 2.2. LINKS... 5 2.3. PERSONAL...
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 terperinciPERANCANGAN ALGORITMA KETERHUBUNGAN SUATU GRAF DAN PENERAPANNYA DALAM PENGATURAN ARUS LALU LINTAS JALAN RAYA
PERANCANGAN ALGORITMA KETERHUBUNGAN SUATU GRAF DAN PENERAPANNYA DALAM PENGATURAN ARUS LALU LINTAS JALAN RAYA Nama Mahasiswa : Darill Muflih Arief NRP : 1207100069 Jurusan : Matematika FMIPA-ITS Pembimbing
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 terperinciJulio Adisantoso, IPB 1
Classic Information Retrieval WEB SEARCH Pengantar Temu Kembali Informasi Kuliah #13 12 Maret 2009 Korpus: koleksi dokumen yang sudah baku dan tetap Tujuan: menemukan dokumen yang relevan dengan kebutuhan
Lebih terperinciSTUDI PERBANDINGAN ALGORITMA CHEAPEST INSERTION HEURISTIC DAN ANT COLONY SYSTEM DALAM PEMECAHAN TRAVELLING SALESMAN PROBLEM
Seminar Nasional Aplikasi Teknologi Informasi (SNATI ) ISSN: `1907-5022 Yogyakarta, 19 Juni STUDI PERBANDINGAN ALGORITMA CHEAPEST INSERTION HEURISTIC DAN ANT COLONY SYSTEM DALAM PEMECAHAN TRAVELLING SALESMAN
Lebih terperinciIMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS
IMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS Yudis Anggara Putra Chastine Fatichah Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciHypermedia dan World Wide Web
Hypermedia dan World Wide Web Topik Bahasan Pengantar Sistem hypertext bersejarah Fitur-fitur alat bantu pembuatan situs Web Membuat dokumen untuk hypertext Genre dan tujuan bagi perancang 2 1 Pengantar
Lebih terperinciKETERCAPAIAN DARI RUANG EIGEN MATRIKS ATAS ALJABAR MAKS PLUS
KETERCAPAIAN DARI RUANG EIGEN MATRIKS ATAS ALJABAR MAKS PLUS oleh TRI ANGGORO PUTRO M0112100 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika FAKULTAS
Lebih terperinciKLASIFIKASI KARAKTERISTIK MAHASISWA UNIVERSITAS COKROAMINOTO PALOPO MENGGUNAKAN METODE NAÏVE BAYES DAN DECISION TREE. Yuli Hastuti
Jurnal Dinamika, September 2016, halaman 34-41 P-ISSN: 2087 7889 E-ISSN: 2503 4863 Vol. 07. No.2 KLASIFIKASI KARAKTERISTIK MAHASISWA UNIVERSITAS COKROAMINOTO PALOPO MENGGUNAKAN METODE NAÏVE BAYES DAN DECISION
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 terperinciUNIVERSITAS GUNADARMA
UNIVERSITAS GUNADARMA SK No. 92 / Dikti / Kep /1996 Fakultas Ilmu Komputer, Teknologi Industri, Ekonomi,Teknik Sipil & Perencanaan, Psikologi, Sastra Program Diploma (D3) Manajemen Informatika, Teknik
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
xi BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan ilmu pengetahuan dan teknologi informasi dewasa ini membuat perubahan perilaku dalam pencarian informasi yang berdampak bagi lembagalembaga yang bergerak
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori Graph 2.1.1 Definisi Graph Menurut Dasgupta dkk (2008), graph merupakan himpunan tak kosong titik-titik yang disebut vertex (juga disebut dengan node) dan himpunan garis-garis
Lebih terperinciAnalytic Hierarchy Process (AHP)
Permasalahan pada AHP didekomposisikan ke dalam hirarki kriteria dan alternatif MASALAH KRITERIA- KRITERIA-2 KRITERIA-n KRITERIA-, KRITERIA-n, ALTERNATIF ALTERNATIF 2 ALTERNATIF m Saya ingin membeli HP
Lebih terperinciPERANCANGAN DAN PEMBUATAN PERANGKAT LUNAK PENELUSUR WEB (WEB CRAWLER) MENGGUNAKAN ALGORITMA PAGERANK
PERANCANGAN DAN PEMBUATAN PERANGKAT LUNAK PENELUSUR WEB (WEB CRAWLER) MENGGUNAKAN ALGORITMA PAGERANK Budianto, Agus Zainal Arifin, Suhadi Lili Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut
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 terperinciWebometrics Best Practice. Beni Rio Hermanto, ITB webmaster team.
Webometrics Best Practice Beni Rio Hermanto, ITB webmaster team. Webometrics Motivation If the web performance of an institution is below the expected position according to their academic excellence, university
Lebih terperinciUKDW. Bab 1 PENDAHULUAN
Bab 1 PENDAHULUAN 1.1 Latar Belakang Skripsi merupakan tugas akhir mahasiswa S1 yang bersifat mandiri dan wajib untuk mendapatkan gelar sarjana. Seorang mahasiswa yang akan menulis tugas akhir harus mencari
Lebih terperinciTeknik Pengujian (2) Whitebox Testing
Teknik Pengujian (2) Whitebox Testing Pengujian Perangkat Lunak Mina Ismu Rahayu 2011 Pengujian Ujicoba merupakan proses eksekusi program dengan tujuan untuk menemukan kesalahan. Sebuah ujicoba kasus yang
Lebih terperinciBAB 3 METODOLOGI Metode Penelitian. Dalam melakukan penelitian akan permasalahan ini, penulis menggunakan metode
BAB 3 METODOLOGI 3.1. Metode Penelitian Dalam melakukan penelitian akan permasalahan ini, penulis menggunakan metode rapid application development (RAD), dengan alur pengerjaan sebagai berikut: Gambar
Lebih terperinciPERINGKASAN TEKS MODEL GRAF PADA SINGLE DOKUMEN DENGAN METODE SPARSE NON NEGATIVE MATRIX FACTORIZATION
PERINGKASAN TEKS MODEL GRAF PADA SINGLE DOKUMEN DENGAN METODE SPARSE NON NEGATIVE MATRIX FACTORIZATION Irwan Darmawan *1, Reddy Alexandro Harianto 2, Hendrawan Armanto 3 1,2,3 Sekolah Tinggi Teknik Surabaya
Lebih terperinciPenggunaan Algoritma Dijkstra dalam Penentuan Lintasan Terpendek Graf
Penggunaan Algoritma Dijkstra dalam Penentuan Lintasan Terpendek Graf Rahadian Dimas Prayudha - 13509009 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Sebagai landasan teori, pada bab ini terlebih dahulu akan dijelaskan beberapa definisi dasar atau teori pendukung yang akan digunakan dalam bab pembahasan. 2.1 Google Nama Google
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Geographical Information System (GIS) Geographical Information System (GIS) yang dalam bahasa Indonesia dikenal sebagai Sistem Informasi Geografis (SIG) didefenisikan sebagai
Lebih terperinciPrediksi Indeks Saham Syariah Indonesia Menggunakan Model Hidden Markov
A39 Prediksi Indeks Saham Syariah Indonesia Menggunakan Model Hidden Markov Risa Septi Pratiwi dan Daryono Budi Utomo Departemen Matematika, Fakultas Matematka dan Ilmu Pengetahuan Alam, Institut Teknologi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Short Message Service (SMS) Short Message Service (SMS) adalah sebuah layanan dasar yang membolehkan pertukaran pesan teks singkat antarpelanggan. Pesan ini dapat dikirim dari perangkat
Lebih terperinciImplementasi Graf pada Metode Crawling dan Indexing di dalam Mesin Pencari Web
Implementasi Graf pada Metode Crawling dan Indexing di dalam Mesin Pencari Web Fauzan Muhammad Rifqy 13513081 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Analisis jaringan adalah penelitian tentang graf dalam ukuran yang besar. Banyak sistem di dunia yang mengambil bentuk jaringan misalnya internet, World Wide Web(WWW), jaringan sosial
Lebih terperinciPENENTUAN RUTE TERPENDEK PADA OPTIMALISASI JALUR PENDISTRIBUSIAN BARANG DI PT. X DENGAN MENERAPKAN ALGORITMA FLOYD-WARSHALL
PENENTUAN RUTE TERPENDEK PADA OPTIMALISASI JALUR PENDISTRIBUSIAN BARANG DI PT. X DENGAN MENERAPKAN ALGORITMA FLOYD-WARSHALL Vera Apriliani Nawagusti 1), Ali Nurdin 2), Aryanti aryanti 3) 1),2),3 ) Jurusan
Lebih terperinci2. Matrix, Relation and Function. Discrete Mathematics 1
2. Matrix, Relation and Function Discrete Mathematics Discrete Mathematics. Set and Logic 2. Relation 3. Function 4. Induction 5. Boolean Algebra and Number Theory MID 6. Graf dan Tree/Pohon 7. Combinatorial
Lebih terperinciImplementasi Hypergraph Partitioning pada Paralelisasi Perkalian Matriks-Vektor
Implementasi Hypergraph Partitioning pada Paralelisasi Perkalian Matriks-Vektor 1 Murni dan 2 Tri Handhika 1,2 Pusat Studi Komputasi Matematika Universitas Gunadarma, Depok 1 murnipskm@sta.gunadarma.ac.id,
Lebih terperinciLatent Semantic Analysis dan. Similarity untuk Pencarian. oleh : Umi Sa adah
Metode Latent Semantic Analysis dan Algoritma Weighted Tree Similarity untuk Pencarian berbasis b Semantik oleh : Umi Sa adah 5109201030 Pembimbing : Prof. Drs.Ec. Ir. Riyanarto Sarno, M.Sc, Ph.D Umi Laili
Lebih terperinciPenerapan Teori Graf dan Web Crawler dalam Pemodelan World Wide Web
Penerapan Teori Graf dan Web Crawler dalam Pemodelan World Wide Web Farhan Makarim (13515003) 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha
Lebih terperinciSearch Engine. Adri Priadana ilkomadri.com
Search Engine Adri Priadana ilkomadri.com Pendahuluan Buku vs Internet. Internet Bebas dan Banyak Sumber seluruh dunia. Mencari informasi secara spesifik. Pencarian informasi secara spesifik ini dapat
Lebih terperinciPengembangan Website Badan Litbang dan Inovasi. Kementerian Lingkungan Hidup dan Kehutanan
Pengembangan Website Badan Litbang dan Inovasi Kementerian Lingkungan Hidup dan Kehutanan Latar Belakang Latar belakang harus diredesign (surat edaran) Surat Edaran Setjen No. SE.14/Setjen-Pusdatin/2015
Lebih terperinciDenny Setyo R. Masden18.wordpress.com
Denny Setyo R. masden18@gmail.com Masden18.wordpress.com Graph adalah kumpulan dari simpul dan busur yang secara matematis dinyatakan sebagai : Dimana G = (V, E) G = Graph V = Simpul atau Vertex, atau
Lebih terperinciPENGELOMPOKAN DOKUMEN MENGGUNAKAN ALGORITMA DIG (DOCUMENT INDEX GRAPH)
PENGELOMPOKAN DOKUMEN MENGGUNAKAN ALGORITMA DIG (DOCUMENT INDEX GRAPH) Shofi Nur Fathiya (13508084) Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung Jalan
Lebih terperinciPENGEMBANGAN MULTIMEDIA
PENGEMBANGAN MULTIMEDIA 1. Tahap Pengembangan Multimedia Concept Design Material Collecting Concept Design Material Collecting Assembly Testing Distribution Distribution Assembly Testing Tahap pengembangan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini dijelaskan landasan teori dan metode yang digunakan pada tugas akhir ini dalam pengklasifikasian dokumen teks. Pembahasan dimulai dengan penjelasan mengenai klasifikasi
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Pencarian Pencarian adalah proses untuk menemukan suatu informasi yang kita butuhkan. Misalnya, kita ingin mencari sebuah kata didalam dokumen digital yang kita miliki. Kita
Lebih terperinciGraf Berarah (Digraf)
Graf Berarah (Digraf) Di dalam situasi yang dinamis, seperti pada komputer digital ataupun pada sistem aliran (flow system), konsep graf berarah lebih sering digunakan dibandingkan dengan konsep graf tak
Lebih terperinciBAB 1 PENDAHULUAN. Persoalan lintasan terpanjang (longest path) merupakan persoalan dalam mencari
BAB 1 PENDAHULUAN 1.1 Latar Belakang Persoalan lintasan terpanjang (longest path) merupakan persoalan dalam mencari lintasan sederhana terpanjang maksimum dalam suatu graph yang diberikan. Lintasan terpanjang
Lebih terperinciIMPLEMENTASI METODE ANALYTICAL NETWORK PROCESS UNTUK MEMBANGUN APLIKASI EXECUTIVE SUPPORT SYSTEM PADA PERUSAHAAN KONSULTAN IT. Ngurah Agus Sanjaya ER
IMPLEMENTASI METODE ANALYTICAL NETWORK PROCESS UNTUK MEMBANGUN APLIKASI EXECUTIVE SUPPORT SYSTEM PADA PERUSAHAAN KONSULTAN IT Ngurah Agus Sanjaya ER Program Studi Teknik Informatika, Jurusan Ilmu Komputer
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Document summarization adalah proses pengambilan teks dari sebuah dokumen dan membuat sebuah ringkasan yang mempunyai informasi yang lebih berguna bagi user
Lebih terperinciBAB 2 KAJIAN PUSTAKA DAN LANDASAN TEORI. Dalam beberapa tahun terakhir, model graph secara statistik telah diaplikasikan
BAB 2 KAJIAN PUSTAKA DAN LANDASAN TEORI Dalam beberapa tahun terakhir, model graph secara statistik telah diaplikasikan dengan baik pada aplikasi pengenalan suara, pengolahan citra (Willsky, 2002 dan Choi
Lebih terperinci