KONTRAK PERKULIAHAN TEMU KEMBALI INFORMASI KOM431



dokumen-dokumen yang mirip
UNIVERSITAS MERCU BUANA FAKULTAS : ILMU KOMPUTER PROGRAM STUDI : SISTEM INFORMASI

JULIO ADISANTOSO - ILKOM IPB 1

TEMU KEMBALI INFORMASI

KOM341 Temu Kembali Informasi

Mengenal Information Retrieval

Sistem Temu-Kembali Informasi Pengantar Perkuliahan

FM-UDINUS-BM-08-04/R0 SILABUS MATAKULIAH. Silabus: Information Retrieval Hal: 1 dari 5. Revisi : - Tanggal Berlaku : Januari 2015

KONTRAK PERKULIAHAN. [1] Manfaat Mata Kuliah. Mahasiswa mampu membuat program komputer dengan menggunakan bahasa pemrograman C.

TEMU KEMBALI INFORMASI

KONTRAK PERKULIAHAN, SILABUS (GBPP), DAN SATUAN ACARA PENGAJARAN (SAP)

KONTRAK PERKULIAHAN BAHASA PEMROGRAMAN KOM204

Studi Penggunaan Data Exif Untuk Mengukur Pengaruhnya. Terhadap Peningkatan Kinerja Image Search Engine

APLIKASI MESIN PENCARI DOKUMEN CROSS LANGUAGE BAHASA INGGRIS BAHASA INDONESIA MENGGUNAKAN VECTOR SPACE MODEL

KONTRAK PERKULIAHAN Program Alih Jenis ALGORITME DAN PEMROGRAMAN KOM202

Sistem Temu Kembali Informasi/ Information Retrieval IRS VS SI LAIN

Information Retrieval

TUNING PARAMETER DALAM FUNGSI OKAPI BM25 PADA MESIN PENCARI TEKS BAHASA INDONESIA TEDY SAPUTRA

1. Pendahuluan 1.1 Latar belakang 1.2 Perumusan masalah

JULIO ADISANTOSO - ILKOM IPB 1

BAB I PENDAHULUAN Latar Belakang

Penerapan Algoritma Genetika pada Peringkasan Teks Dokumen Bahasa Indonesia

BAB 1 PENDAHULUAN. seluruh dunia menjadi sebuah fenomena yang sangat mengejutkan dalam satu abad

SISTEM QUR AN RETRIEVAL TERJEMAHAN BAHASA INDONESIA BERBASIS WEB DENGAN REORGANISASI KORPUS

BAB III METODOLOGI PENELITIAN

Inera Firdestawati¹, Yanuar Firdaus A.w.², Kiki Maulana³. ¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom

INDEXING AND RETRIEVAL ENGINE UNTUK DOKUMEN BERBAHASA INDONESIA DENGAN MENGGUNAKAN INVERTED INDEX

BAB 1 PENDAHULUAN UKDW

Search Engine. Text Retrieval dan Image Retrieval YENI HERDIYENI

Stemming pada Preprocessing Twit Berbahasa Indonesia dengan Mengimplementasikan Algoritma Fonetik Soundex untuk Proses Klasifikasi

BAB III METODOLOGI PENELITIAN

Implementasi Metode Document Oriented Index Pruning pada Information Retrieval System

IMPLEMENTASI VECTOR SPACE MODEL DAN BEBERAPA NOTASI METODE TERM FREQUENCY INVERSE DOCUMENT FREQUENCY (TF-IDF) PADA SISTEM TEMU KEMBALI INFORMASI

QUERY-SENSITIVE SIMILARITY MEASURE DALAM TEMU KEMBALI DOKUMEN BERBAHASA INDONESIA ABSTRAK

ROCCHIO CLASSIFICATION

TEMU KEMBALI INFORMASI

Penerapan Model OKAPI BM25 Pada Sistem Temu Kembali Informasi

ABSTRAK. Kata kunci : Pemerolehan Informasi, TF-IDF, Inverted Index, document to document

JULIO ADISANTOSO - ILKOM IPB 1

Pengujian Kerelevanan Sistem Temu Kembali Informasi

Aplikasi Aljabar Vektor pada Sistem Temu-balik Informasi (Information Retrieval System)

Bahasa Pemrograman :: Pendahuluan

beberapa tag-tag lain yang lebih spesifik di dalamnya.

Search Engines. Information Retrieval in Practice

Analisis dan Pengujian Kinerja Korelasi Dokumen Pada Sistem Temu Kembali Informasi

BAB I PENDAHULUAN. Information retrieval (IR) adalah ilmu yang mempelajari pencarian

UKDW BAB I PENDAHULUAN. 1.1 Latar Belakang

PENERAPAN SISTEM TEMU KEMBALI INFORMASI PADA KUMPULAN DOKUMEN SKRIPSI

Rata-rata token unik tiap dokumen

PERBANDINGAN METODE CLUSTERING MENGGUNAKAN METODE SINGLE LINKAGE DAN K - MEANS PADA PENGELOMPOKAN DOKUMEN

[1] Manfaat Mata kuliah

Analisis dan Pengujian Kinerja Korelasi Dokumen Pada Sistem Temu Kembali Informasi

METODE PERANCANGAN-1

BAB 3 METODE PENELITIAN. pengelolaan dokumen yang efektif agar kita dapat me-retrieve informasi yang

BAB II TINJAUAN PUSTAKA

BAB I PENDAHULUAN. Pada umumnya pembaca ingin mendapatkan rangkuman suatu artikel dengan cepat

IMPLEMENTASI INVERTED INDEX DENGAN SISTEM MANAJEMEN BASISDATA UNTUK MENDUKUNG MODEL PEMEROLEHAN BOOLEAN

CROSS LANGUAGE QUESTION ANSWERING SYSTEM MENGGUNAKAN PEMBOBOTAN HEURISTIC DAN RULE BASED SELAMET SUBU

BAB I. Pendahuluan. 1. Latar Belakang Masalah

SISTEM REKOMENDASI DOSEN PEMBIMBING TUGAS AKHIR BERBASIS TEXT MINING MENGGUNAKAN VECTOR SPACE MODEL

XML RETRIEVAL UNTUK DOKUMEN BAHASA INDONESIA MARYAM NOVIYANA BAHI

BAB I PENDAHULUAN Latar Belakang Masalah

RELEVANCE FEEDBACK PADA TEMU-KEMBALI TEKS BERBAHASA INDONESIA DENGAN METODE IDE-DEC-HI DAN IDE-REGULAR

TEMU KEMBALI INFORMASI

HASIL DAN PEMBAHASAN. 4. Menghitung fungsi objektif pada iterasi ke-t, 5. Meng-update derajat keanggotaan. 6. Mengecek kondisi berhenti:

BAB I PENDAHULUAN Latar Belakang

HASIL DAN PEMBAHASAN. Praproses

LAPORAN AKHIR HIBAH PENELITIAN dalam Rangka Kegiatan SP4 Departemen Ilmu Komputer

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

QUERY EXPANSION DENGAN MENGGABUNGKAN METODE RUANG VEKTOR DAN WORDNET PADA SISTEM INFORMATION RETRIEVAL

HASIL DAN PEMBAHASAN. diformulasikan digunakan dalam proses temu kembali selanjutnya.

BAB II DASAR TEORI Crawler Definisi Focused Crawler dengan Algoritma Genetik [2]

SISTEM INFORMATION RETRIEVAL PENCARIAN KESAMAAN AYAT TERJEMAHAN AL QURAN BERBAHASA INDONESIA DENGAN QUERY EXPANSION DARI TAFSIRNYA

Bernadus Very Christioko Fakultas Teknologi Informasi dan Komunikasi, Universitas Semarang. Abstract

EVALUASI EFEKTIFITAS METODE MACHINE-LEARNING PADA SEARCH-ENGINE

HASIL DAN PEMBAHASAN. Tabel 1 Perhitungan recall-precision. ) adalah peluang kata i dalam dokumen setelah q j. p( i q j

KLASIFIKASI TEKS SURAT KABAR DENGAN MENGGUNAKAN ALGORITMA N-GRAM STEMMERS TUGAS AKHIR

Interaksi Manusia dan Komputer

RELEVANCE FEEDBACK PADA INFORMATION RETRIEVAL DENGAN SUPPORT VECTOR MACHINE

DETEKSI KEMIRIPAN TOPIK PROPOSAL JUDUL TUGAS AKHIR DAN SKRIPSI MENGGUNAKAN LATENT SEMANTIC ANALYSIS DI STMIK BUMIGORA MATARAM

PSEUDO-RELEVANCE FEEDBACK PADA TEMU-KEMBALI MENGGUNAKAN SEGMENTASI DOKUMEN ELENUR DWI ANBIANA

RENCANA PEMBELAJARAN SEMESTER (RPS)

BAB I PENDAHULUAN 1.1. Latar Belakang

Text dan Web Mining. Budi Susanto Teknik Informatika UKDW Yogyakarta

PANDUAN KOLOKIUM MAHASISWA PROGRAM EKSTENSI SARJANA ILMU KOMPUTER, FMIPA IPB

SISTEM INFORMASI PENGELOLAAN ARSIP STATIS PADA BADAN ARSIP DAN PERPUSTAKAAN PROVINSI JAWA TENGAH MENGGUNAKAN VECTOR SPACE MODEL

Temu-Kembali Informasi

PELABELAN OTOMATIS CITRA MENGGUNAKAN FUZZY C MEANS UNTUK SISTEM TEMU KEMBALI CITRA MARSANI ASFI

SISTEM PENCARIAN FORUM BERBASIS ONTOLOGI DAN LABEL

KONTRAK PERKULIAHAN ALGORITME DAN PEMROGRAMAN KOM202

ABSTRAK. Kata kunci : Information Retrieval system, Generalized Vector Space Model. Universitas Kristen Maranatha

KLASTERING DOKUMEN MENGGUNAKAN HIERARCHICAL AGGLOMERATIVE CLUSTERING

PERANCANGAN DAN PEMBUATAN APLIKASI PENCARIAN INFORMASI BEASISWA DENGAN MENGGUNAKAN COSINE SIMILARITY

Integrasi Peringkas Dokumen Otomatis Dengan Penggabungan Metode Fitur dan Metode Latent Semantic Analysis (LSA) Sebagai Feature Reduction

RENCANA PEMBELAJARAN SEMESTER (RPS)

commit to user 5 BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori Text mining

KBKF53110 WEB PROGRAMMING

Sistem Temu Kembali Informasi pada Dokumen Teks Menggunakan Metode Term Frequency Inverse Document Frequency (TF-IDF)

TEMPORAL QUESTION ANSWERING SYSTEM BAHASA INDONESIA ADI DARLIANSYAH

1.5 Metode Penelitian

UKDW BAB 1 PENDAHULUAN Latar Belakang

Transkripsi:

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 : Temu Kembali Informasi Kode Matakuliah : KOM431 Beban Kredit : 3(3-0) Semester : Gasal, 2011/2012 Koordinator : Julio Adisantoso, Ir., M.Komp. () Pengajar : 1. Ahmad Ridha, Ir., M.Sc. (ARD) 2. Julio Adisantoso, Ir., M.Komp. () 3. Sony Hartono Wijaya, S.Komp., M.Komp. (SHW) [1] Manfaat Matakuliah Matakuliah ini akan memberi manfaat bagi mahasiswa dalam menerapkan konsep temu kembali informasi untuk membuat sistem aplikasi temu kembali informasi teks. [2] Deskripsi Perkuliahan Matakuliah ini menjelaskan pengantar temu kembali informasi, dasar-dasar temu kembali informasi: pemodelan, evaluasi, query, operasi teks dan multimedia, indexing and searching. Topik dalam temu kembali informasi: relevance feedback, query expansion, text classification, text clustering, summarization, cross-language, question answering, web search. [3] Tujuan Setelah mengikuti matakuliah ini, mahasiswa diharapkan mampu menjelaskan konsep dalam temu kembali informasi, serta menerapkannya untuk membuat sistem aplikasi temu kembali informasi teks.

[4] Strategi Perkuliahan Kuliah diberikan kepada mahasiswa S1 Mayor Ilmu Komputer IPB yang mengambil matakuliah ini sebagai pilihan. Perkuliahan dilakukan sebanyak 14 kali pertemuan kuliah tatap muka. Metode perkuliahan adalah kombinasi antara ceramah, diskusi, dan diakhiri dengan presentasi proyek akhir. Mahasiswa wajib mengikuti perkuliahan minimal 80 persen, dan presentasi proyek akhir 100 persen. Mahasiswa pengulang matakuliah Temu Kembali Informasi diwajibkan mengikuti keseluruhan kegiatan kuliah dan presentasi proyek akhir selama satu semester. Untuk membantu mahasiswa memahami materi kuliah, disediakan situs mata kuliah online pada alamat http://web.ipb.ac.id/~julio. [5] Tugas Tugas terdiri dari dua jenis, yaitu tugas perorangan yang harus diselesaikan oleh mahasiswa pada waktu tertentu, dan tugas kelompok dalam bentuk proyek akhir yang merupakan tugas pemrograman, dan setiap kelompok terdiri atas 5 orang. Topik yang dipilih adalah bebas, dengan syarat tidak ada yang sama di antara kelompok. Produk yang dihasilkan oleh setiap kelompok berupa program komputer, laporan hasil kajian sesuai dengan topik yang dipilih, dan slide presentasi. Presentasi proyek akhir dilakukan di luar jadwal kuliah yang telah ditetapkan.. [6] Referensi [1] Christopher D. Manning, Prabhakar Raghavan, and Hinrich Schutze. 2008. Introduction to Information Retrieval. Cambridge University Press. [2] C. J. van Rijsbergen. Information Retrieval. Information Retrieval Group, University of Glasgow. [3] Richardo Baeza-Yates and Berthier Rieiro-Neto. Modern Information Retrieval. [4] PERL Programming. [5] Henk Blanken, et.al. 2007. Multimedia Retrieval. [6] Text Summarization. Tutorial ACM SIGIR, Sheffield, UK July 25, 2004 [7] TREC. Question Anwsering System and Cross Language Informastion Retrieval.

[7] Kriteria Penilaian Nilai akhir (NA) adalah nilai kumulatif dari nilai ujian tengah semester (UTS), ujian akhir semester (UAS), tugas perorangan (TP), dan tugas kelompok atau proyek akhir (PA). Metode dan bobot nilai sebagai berikut: 1. UTS (1-6) dan UAS (7-14) dilakukan melalui ujian tertulis dengan bobot masing-masing 35%. Kisi-kisi ujian akan disampaikan pada pertemuan ke-6 untuk UTS, dan pada pertemuan ke-14 untuk UAS. 2. Nilai TP adalah rata-rata dari semua tugas yang diberikan, dan diberi bobot 10% 3. Nilai PA terdiri dari nilai produk proyek (program komputer, laporan) dan presentasi. Bobot nilai PA adalah 20%. Selang nilai untuk menetapkan huruf mutu A, B, C, D, atau E ditentukan berdasarkan nilai rataan dan standard deviasi dengan menggunakan sebaran normal. Ketentuan ini berlaku sama untuk semua mahasiswa baru maupun pengulang. [8] Jadwal Kuliah Kuliah dilaksanakan pada hari Kamis pukul 07:00-09:30. Jadwal detil diberikan pada bagian [9] dalam dokumen ini. No. Tanggal Topik Sub Topik Pustaka Pengajar 1. Pendahuluan Kontrak perkuliahan, ruang lingkup, dan target capaian mata ajaran ini Database vs IR Contoh IR sederhana (Boolean query) Pemrosesan teks statistik teks [1] Bab 1 2. Aplikasi pemrosesan teks [9] Rencana Acara Perkuliahan Tutorial bahasa pemrograman untuk pemrosesan teks, misalnya menggunakan PERL. Regular expression 3. Inverted index Inverted index construction Pengindeksan (manual dan otomatis) : tokenisasi, stopwords, stemming, pembobotan, [2] Bab 1 dan [4] [1] Bab 4, 5, 6

4. Model IR Pemodelan IR Boolean model Vector space model 5. Evaluasi IR Evaluation Benchmarks Recall Precision Interpolasi Ukuran evaluasi lainnya 6. Relevance Relevance Feedback Feedback and Probabilistic Relevance Feedback Query Pseudo relevance feedback Expansion Query Expansion 7. Probabilistic IR Probability ranking Binary independence model Language model for IR Ujian Tengah Semester (UTS) 8. Text Document classification Classification Probability classification Vector space classification 9. Clustering Clustering dalam IR Flat clustering : K-means, modelbased Hierarchical clustering : dendogram, single-link, complete link, average link Labeling 10. Text Summarization Peringkasan dokumen Jenis ringkasan Pendekatan : tradisional, statistika 11. XML Retrieval Konsep dasar Model untuk XML IR Evaluasi XML Retrieval 12. Multimedia Information Retrieval System (MIRS) 13. Question Answering System CLIR and Model MIRS Pengenalan Pola untuk Analisis Multimedia Content Pengolahan citra untuk Feature Extraction QA vs IR Metode dan evaluasi QAS CLIR Metode penterjemahan 14. Web Search Dasar web search Web crawling and indexes Link analysis Presentasi Proyek Akhir?? Ujian Akhir Semester (UAS) [1] Bab 1 [1] Bab 8 [1] Bab 9 [1] Bab 11 [1] Bab 13 [1] Bab 16 dan 17 [6] [1] Bab 10 SHW [4]??? [7] SHW [1] Bab 19, 20, 21 SHW