4 untuk dianggap relevan dengan istilah-istilah kueri tertentu dibandingkan dokumendokumen yang lebih pendek. Sehinggavektor dokumen perlu dinormalisasi. Ukuran kesamaan antara kueri Q dan dokumen D i menjadi persamaan: sim(, )= t j=1 w.w t j=1 w 2. (4) Formula ini merepresentasikan kosinus sudut antara vektor kueri dan vektor dokumen sebagai vektor-vektor dalam ruang t dimensi, dengan t sebagai jumlah istilah unik dalam sistem (Salton 1989). Evaluasi Sistem. Pada proses evaluasi hasil temu-kembali dilakukan penilaian kinerja sistem dengan melakukan pengukuran recall-precision untuk menentukan tingkat keefektifan proses temukembali. Dua ukuran utama untuk keefektifan penemu kembalian yang telah digunakan sejak lama adalah recall dan precision (Salton 1989). Recall adalah perbandingan jumlah materi relevan yang ditemukembalikan terhadap jumlah materi yang relevan, sedangkan precision adalah perbandingan jumlah materi relevan yang ditemukembalikan terhadap jumlah materi yang ditemukembalikan. Tabel 1 Relevant dan retrieved documents Relevant non relevant retrieved true positive(tp) false positive(fp) Non retrieved false negative (fn) true negative(tn) Berdasarkan Tabel 1, recall (R) dan precision (P) dapat dinyatakan sebagai persamaan sebagai berikut: = t t dan = t t n...(5) Recall dan Precision dihitung berdasarkan persamaan(3). Average precision (AVP) dihitung berdasarkan 11 standard recall levels, yaitu 0%, 10%, 20%, 30%, 40%, 50%, 60%, 70%, 80%, 90%, 100% dengan menggunakan interpolasi maksimum (Baeza- Yates & Ribeiro-Neto 1999). Lingkungan Implementasi Lingkungan implementasi yang digunakan adalah sebagai berikut: Perangkat lunak: 1 Sistem operasi Windows 7 Professional sebagai sistem operasi, 2 PHP sebagai bahasa pemrograman, 3 XAMPP version 1.7.2 sebagai web server, dan 4 Microsoft Office 2010 sebagai aplikasi yang digunakan untuk melakukan perhitungan dalam evaluasi sistem. Perangkat keras: 1 Processor Intel Dual-Core 2.10 GHz 2 RAM 2 GB 3 Harddisk dengankapasitas 160 GB HASIL DAN PEMBAHASAN Koleksi Dokumen Penelitian ini menggunakan 324 jurnal hortikultura yang berasal dari Laboratorium Temu Kembali Informasi Departemen Ilmu Komputer IPB. Deksripsi dokumen uji yang digunakan dapat dilihat pada Tabel 2. Gambar 2 dan Lampiran 2 menunjukkan contoh salah satu dokumen yang digunakan dalam penelitian. Tabel 2 Deskripsi dokumen uji Dokumen bytes Ukuran rata-rata dokumen 1329 Ukuran seluruh dokumen 430834 Ukuran dokumen terbesar 2866 Ukuran dokumen terkecil 445 Gambar 2 Contoh Koleksi dokumen memiliki format teks (*.txt) dengan struktur tag XML pada masingmasing Tag XML yang digunakan dalam koleksi dokumen, yaitu: <DOC> <docid>dok001.txt</docid> <content>akhir-akhir ini kentang menjadi tanaman prioritas dan mempunyai nilai.... </content> </DOC> <DOC></DOC>, mewakili keseluruhan Di dalamnya terdapat tag lain yang mendeskripsikan isi dokumen secara lebih jelas.
5 <docid></docid>, menunjukkan ID dari dokumen tanaman obat. <content></content>, menunjukkan isi atau informasi dari Jumlah kueri uji yang akan digunakan dalam penelitian ini adalah 15 kueri uji yang berasal dari Laboratorium Temu Kembali Informasi. Daftar kueri uji yang digunakan dapat dilihat pada Lampiran 1. Pengindeksan Dokumen Pemrosesan dokumen dilakukan melalui tiga tahapan, yaitu: tokenisasi, pembuangan stopword, dan pembobotan. Pembobotan yang dilakukan adalah pembobotan sebaran kata. Tokenisasi Tahap tokenisasi dilakukan pada fungsi get_token. Fungsi tersebut melakukan pemecahan kata pada dokumen koleksi, penghilangan karakter yang bersifat separator seperti titik, koma, tanda seru, tanda tanya, dan karakter lainnya yang dianggap kurang representatif dalam mencirikan suatu Dokemen koleksi diproses secara sekuensial per karakter dari awal sehingga menghasilkan sebuah token. Tahapan untuk memperoleh token adalah sebagai berikut: 1 Sistem menggolongkan karakter menjadi 4 jenis, yaitu : a whitespace, berarti karakter ini merupakan karakter pemisah token b alpha, berarti karakter ini merupakan huruf c numeric, berarti karakter ini merupakan angka d other, berarti karakter ini tidak termasuk jenis-jenis a,b,dan c. 2 Sistem mengubah jenis karakter numeric dan other menjadi whitespace. 3 Sistem melakukan pemisahan kata berdasarkan whitespace. 4 Kata yang dianggap token adalah yang mempunyai panjang lebih dari dua. Pembuangan Stopword Pembuangan stopword dilakukan setelah proses tokenisasi pada dokumen koleksi. Prosesnya dengan melakukan perbandingan antara kata hasil tokenisasi dengan stopword. Jika terdapat stopword dalam daftar token, maka dilakukan penghapusan kata. Daftar stopword yang digunakan dalam penelitian ini diperoleh dari Herdi (2010) dan dilampirkan pada Lampiran 3. Hasil dari tahap ini akan digunakan sebagai input pada tahap selanjutnya yaitu pembobotan. Pembobotan Sebaran Kata Pembobotan yang dilakukan dalam skripsi ini adalah pembobotan sebaran kata. Pembobotan sebaran kata terdiri atas tiga tahap, yaitu pembobotan kata lokal, pembobotan kata global, dan perkalian antara lokal dan global. Pada tulisan ini, akan diberikan contoh 5 dokumen (dok001, dok002, dok003, dok006, dan dok248) dan 5 kata (organik, pupuk, kentang, tanaman, dan pertanian). Contoh tersebut digunakan untuk menggambarkan tahap pengerjaan dan hasil perhitungan pada penelitian ini. Pembobotan Kata Lokal Pembobotan kata lokal merupakan pencarian bobot kata berbasis sebaran pada suatu Secara umum, bobot kata lokal terdiri atas 2 bagian, yaitu luas distribusi seragam kata (U j ) dan perluasan penyebaran kata (S j ) pada suatu Untuk mengukur luas keseragaman sebaran kata digunakan teori K.Pearson Chi Square. Tahap awal yang dilakukan pada penelitian ini untuk mendapatkan hasil Chi Square adalah membuat paragraf dari isi dokumen yang ada. Proses pembuatan paragraf pada penelitian ini adalah parsing Setiap paragraf berisi lima kalimat. Hasil dari proses parsing dokumen disimpan dalam parsing.txt. Parsing.txt digunakan sebagai input untuk mendapatkan frekuensi kata per paragraf pada setiap Tabel 3 Contoh hasil parsing kalimat Jumlah Jumlah Dokumen Kalimat Paragraf dok001 11 3 dok002 11 3 dok003 4 1 dok006 9 2 dok248 17 4 Pada Tabel 3 dapat dilihat hasil parsing kalimat pada 5 dokumen contoh. Tabel 3 juga menggambarkan bahwa jumlah paragraf yang dihasilkan oleh dokumen beragam, mulai dari satu paragraf hingga empat paragraf tergantung jumlah kalimat yang dimiliki oleh Proses selanjutnya adalah perhitungan peluang(r) dari setiap paragraf di suatu
6 Peluang ditentukan dengan jumlah kata pada paragraf(c i ) dibagi jumlah token pada dokumen(c m ). Hasil perhitungan dari 5 contoh dokumen dapat dilihat pada Tabel 4. Pada dok002, paragraf 2 memiliki jumlah kata lebih banyak sehingga peluang(r) paragraf 2 lebih besar dari paragraf lain. Dokumen yang hanya memiliki 1 paragraf(dok003), maka peluang(r) paragraf tersebut adalah 1. Pada dok248, paragraf 1 dan 3 memiliki jumlah kata yang sama, sehingga dihasilkan peluang(r) yang sama. Tabel 4 Hasil perhitungan peluang(r) Jumlah Dokumen Paragraf Kata dok001 1 42 0.442 2 44 0.463 3 9 0.095 dok002 1 45 0.346 2 71 0.546 3 14 0.108 dok003 1 40 1.000 dok006 1 62 0.564 2 48 0.436 dok248 1 50 0.338 2 40 0.270 3 50 0.338 4 8 0.054 Perhitungan selanjutnya adalah frekuensi kata pada setiap paragraf(v), dan dokumen(n). Hasil perhitungan dok001 pada kata organik, pupuk, kentang, tanaman, dan pertanian dapat dilihat pada Tabel 5. Nilai v, n, dan r digunakan untuk menghitung nilai chi-square. Tabel 5 Hasil perhitungan v dan n pada dokumen dok001 Kata v 1 v 2 v 3 n chi j organik 2 5 1 8 1.197 pupuk 1 6 0 7 4.427 kentang 4 1 1 6 2.150 tanaman 2 0 0 2 2.523 pertanian 0 0 1 1 9.555 Kata organik mempunyai nilai chisquare(chi j ) yang terendah. Nilai terendah tersebut menyatakan kata organik mendekati distribusi seragam, dan memiliki nilai distribusi seragam(u j ) yang tinggi. Terbukti r pada Tabel 6 organik memiliki nilai U yang terbesar. Pada perhitungan perluasan penyebaran kata(s j ) sebuah kata, harus dilihat kata tersebut tersebar di dokumen atau tidak. Nilai yang diperlukan adalah total paragraf yang mengandung kata tersebut(p) dan total paragraf pada dokumen(n). Berdasarkan Tabel 5 kata organik dan kentang merupakan kata yang tersebar di ke-3 paragraf sehingga nilai S adalah 1. Proses terakhir tahap ini adalah perhitungan bobot kata lokal pada setip kata j ( ( )). Hasil tahap ini berupa lokal.txt yang digunakan pada tahap selanjutnya. Hasil perhitungan bobot kata lokal dapat dilihat pada Tabel 6. Kata organik mendapat nilai tertinggi, artinya organik merupakan kata penting dalam dokumen dok001. Sebaliknya pada kata pertanian mendapat nilai terendah, artinya pertanian bukan merupakan kata penting dalam dokumen dok001. Tabel 6 Hasil perhitungan U j, S j, dan bobot lokal pada dokumen dok001 Kata U j S j Lokal organik 0.455 1.000 0.54 pupuk 0.184 0.736 0.18 kentang 0.317 1.000 0.39 tanaman 0.283 0.415 0.16 pertanian 0.094 0.415 0.05 Tabel 7 Perbandingan hubungan distribusi dan bobot lokal Kata p n U j Lokal organik 3 8 0.455 0.54 pupuk 2 7 0.184 0.18 kentang 3 6 0.317 0.39 tanaman 1 2 0.283 0.16 pertanian 1 1 0.094 0.05 Pada Xia dan Chai (2011), hubungan antara luas distribusi seragam dan bobot kata pada suatu dokumen adalah korelasi positif non linear. Pada penelitian ini hal tersebut terbukti pada kata organik yang memiliki luas distribusi seragam yang tinggi dan bobot lokal yang dihasilkan juga tinggi. Hasil perbandingan hubungan distribusi seragam dan bobot kata tersebut dapat dilihat pada Tabel 7.
7 Pembobotan Global Proses pembobotan global adalah perhitungan bobot suatu kata berdasarkan sebaran kata dalam koleksi Secara umum, bobot kata global terdiri atas 2 bagian, yaitu luas keseragaman sebaran kata(u j ) dan perluasan penyebaran kata(s j ) pada koleksi Untuk mengukur luas keseragaman sebaran kata digunakan teori K.Pearson Chi Square. Tahap awal perhitungan chi-square pada pembobotan kata global adalah proses perhitungan peluang dari setiap dokumen di koleksi apabila kata menyebar(r ). Hasil peluang didapat dari pembagian jumlah kata di dokumen(c i ) dibagi jumlah kata di koleksi(c m ). Tabel 8 merupakan hasil perhitungan peluang(r ) pada 5 dokumen contoh. Jumlah kata yang dimiliki oleh seluruh koleksi adalah 33452 kata. Nilai pada suatu dokumen tergantung pada jumlah kata yang dimiliki oleh dokumen tersebut. Dokumen dok248 memiliki jumlah kata terbanyak, sehingga peluang(r ) dok248 memiliki nilai tertinggi. Sebaliknya untuk dokumen dok003 memiliki jumlah kata terkecil sehingga peluang(r ) dok248 memiliki nilai terkecil. Tabel 8 Hasil perhitungan peluang(r ) Dokumen Jumlah kata dok001 95 0.00283 dok002 130 0.00388 dok003 40 0.00119 dok006 110 0.00328 dok248 148 0.00442 Proses selanjutnya adalah perhitungan frekuensi kata pada setiap dokumen(v ), dan frekuensi kata pada suatu koleksi(n ). Nilai r, v dan n digunakan untuk menghitung nilai chi-square dari koleksi Hasil perhitungan v, n, dan chi-square dari 5 contoh kata dapat dilihat pada Tabel 9. Tabel 9 Hasil perhitungan n, ch, dan U j Kata n' ch U' organik 53 1358.72 1359.76 pupuk 272 2033.21 2034.28 kentang 82 1509.87 1510.92 tanaman 927 711.37 712.34 pertanian 29 413.71 414.71 Kata pertanian mempunyai nilai chisquare(chi) yang terendah. Nilai terendah menyatakan token pertanian mendekati distribusi seragam. Artinya untuk nilai chisquare(chi) yang rendah akan mendapat nilai distribusi seragam(u j ) yang rendah. Terbukti pada Tabel 9 organik memiliki nilai U yang terkecil. Pada perhitungan perluasan penyebaran kata pada koleksi dokumen(s j ), sebuah kata harus dilihat kata tersebut tersebar di koleksi dokumen atau tidak. Nilai yang diperlukan adalah total dokumen yang mengandung kata tersebut(p ) dan total seluruh dokumen pada koleksi( ). Pada Tabel 10, kata tanaman berada pada 274 dokumen dengan total koleksi 324 Oleh karena itu, tanaman memperoleh nilai yang kecil artinya koleksi tersebut tersebar di koleksi Tabel 10 Hasil perhitungan p, dan S j dengan =324 Kata p' S j ' organik 14 4.590 pupuk 58 2.719 kentang 22 3.975 tanaman 274 1.125 pertanian 25 3.803 Tabel 11 Hasil perhitungan U j, S j dengan persamaan(2) dan bobot global Kata U j ' S j ' Global organik 1359.76 4.590 12.66 pupuk 2034.28 2.719 12.43 kentang 1510.92 3.975 12.55 tanaman 712.34 1.125 9.64 pertanian 414.71 3.803 10.62 Proses terakhir tahap ini adalah perhitungan bobot kata lokal pada setiap kata ( ( )). Hasil tahap ini berupa global.txt yang digunakan pada tahap selanjutnya. Hasil perhitungan bobot kata global dapat dilihat pada Tabel 11. Kata organik mendapat nilai global lebih tinggi, artinya organik merupakan kata lebih penting dalam koleksi dibandingkan pupuk, kentang, tanaman, dan pertanian. Pada Tabel 11, kata tanaman yang mempunyai frekuensi tinggi dan penyebarannya luas mendapatkan hasil perhitungan bobot yang rendah sesuai dengan teori pembobotan sebaran kata menurut Xia dan Chai (2011).
8 Berbeda dengan hasil pembobotan global dengan perhitungan pada Tabel 12, kata tanaman organik tidak mendapat bobot tinggi. Tabel 12 merupakan hasil perhitungan pembobotan global dengan perhitungan S j menggunakan persamaan(1). Nilai terbesar diperoleh kata tanaman. Hal tersebut terjadi karena dengan persamaan(1), kata yang menyebar pada banyak dokumen dikoleksi menghasilkan yang tinggi sehingga tanaman mendapatkan bobot yang lebih besar. Hasil dari perhitungan ini tidak sesuai dengan teori pembobotan sebaran kata menurut Xia dan Chai (2011) sehingga, pada tahap selanjutnya digunakan hasil pada Tabel 11, yaitu dengan perhitungan S j menggunakan persamaan (2). Tabel 12 Hasil perhitungan U j, S j dengan persamaan(1) dan bobot Global Kata U j ' S j ' Global organik 1359.76 0.061 6.39 pupuk 2034.28 0.237 8.92 kentang 1510.92 0.095 7.17 tanaman 712.34 0.884 9.30 pertanian 414.71 0.107 5.51 Pada Xia dan Chai (2011), hubungan antara luas distribusi seragam dan bobot kata pada suatu koleksi adalah korelasi negatif non linear. Pada penelitian ini, hal tersebut terbukti pada kata tanaman yang memiliki luas distribusi seragam yang tinggi dan bobot global yang rendah. Hasil perbandingan hubungan distribusi seragam dan bobot tersebut dapat dilihat pada Tabel 13 Tabel 13 Perbandingan hubungan distribusi seragam dan bobot global Kata n' p' Global organik 53 14 12.66 pupuk 272 58 12.43 kentang 82 22 12.55 tanaman 927 274 9.64 pertanian 29 25 10.62 Perkalian antara lokal dan global Tahap terakhir dalam pembobotan persebaran kata adalah perhitungan nilai keseluruhan pembobotan persebaran kata. Perhitungan yang dilakukan pada tahap ini adalah perkalian dari pembobotan lokal dan pembobotan global menggunakan persamaan(3). Hasil dari tahap ini disimpan dalam lokalglobal.txt. Hasil perhitungan pembobotan sebaran kata dapat diliihat pada Tabel 14. Berdasarkan pembobotan sebaran kata, organik memiliki nilai tertinggi pada dokumen dok001. Oleh karena itu, organik merupakan kata penciri dari dokumen dok001. Tabel 14 Hasil perhitungan bobot lokal, global, dan sebaran kata pada dok001 Kata Lokal Global Sebaran Kata organik 0.54 12.66 6.82 pupuk 0.18 12.43 2.28 kentang 0.39 12.55 4.99 tanaman 0.16 9.64 1.55 pertanian 0.05 10.62 0.59 Kesamaan Dokumen dan Kueri Metode yang digunakan untuk pengukuran kesamaan adalah ukuran kesamaan kosinus. Pada tahap awal dalam pengukuran kesamaan dokumen, diperlukan kueri yang di masukkan ke dalam sistem oleh pengguna. Kueri diterima oleh sistem, dan dilakukan perubahan menjadi vektor kueri. Tahap selanjutnya adalah proses perhitungan kesamaan antara vektor dokumen dan kueri yang diimplementasikan menggunakan persamaan(4). Pengujian Kinerja Sistem Proses evaluasi dalam penelitian ini dilakukan pada koleksi jurnal hortikultura. Proses evaluasi pada koleksi jurnal hortikultura menggunakan 15 kueri uji yang terdapat pada Laboratorium Information Retrieval. Daftar kueri uji dan dokumen relevan yang digunakan pada penelitian ini terdapat pada Lampiran 1. Pencarian dengan kueri uji ini dilakukan dengan melakukan pengukuran recallprecision dari sistem. Recall adalah rasio dokumen relevan yang ditemukembalikan dan precision adalah dokumen relevan yang ditemukembalikan. Perhitungan recall dan precision menggunakan persamaan(5). Hasil dari evaluasi recall precision masing-masing kueri diinterpolasi maksimum untuk mencari nilai average precision (AVP) dan digambarkan dalam bentuk grafik serta tabel. Proses evaluasi yang dilakukan pada penelitian ini menggunakan kode program
9 dari Putra (2011) dengan modifikasi oleh penulis. Gambar 3 merupakan grafik dari 11 titik recall yang dihitung menggunakan interpolasi maksimum. Hasil temu kembali informasi menghasilkan nilai average precision (AVP) sebesar 0.848 yang artinya secara rata-rata pada tiap titik recall, 84.8% hasil temukembali relevan dengan kueri. precision 1 0.8 0.6 0.4 0.2 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 recall Gambar 3 Grafik recall precision. Perbandingan Hasil Uji Kueri Pada tahap evaluasi penelitian ini, dilakukan beberapa perbandingan hasil temu kembali pada kueri uji, yaitu perbandingan pembobotan sebaran kata menggunakan parsing 3, 4, dan 5 kalimat, serta perbandingan pembobotan sebaran kata dengan TFIDF. Penentuan jumlah kalimat pada pembuatan sebuah paragraf diduga akan mempengaruhi kinerja sistem dalam proses temu kembali Penelitian ini melakukan 3 percobaan, yaitu membuat parsing kalimat sebanyak 3, 4, dan 5 kalimat per paragraf. Proses parsing pada penelitian ini merupakan tahap awal pada pembobotan lokal. Kinerja sistem pembobotan sebaran kata dengan parsing 3, 4, dan 5 kalimat memiliki hasil AVP yang berbeda. Perbedaan hasil AVP dapat ditunjukan oleh Tabel 13. AVP sistem dengan parsing sebanyak 3 kalimat sebesar 0.785, 4 kalimat sebesar 0.803, dan 5 kalimat sebesar 0.848. Pada Lampiran 4, 5 dan 6 dapat dilihat nilai AVP pada masingmasing kueri untuk parsing 3, 4, dan 5 kalimat. Pada Tabel 15 terlihat bahwa AVP sistem yang melakukan parsing 5 kalimat per paragraf memiliki nilai yang lebih tinggi, yaitu 0.848 atau 84,8%. Hal tersebut disebabkan oleh parsing 5 kalimat membuat setiap paragraf akan memiliki jumlah kalimat yang lebih banyak sehingga bobot dari kata penanda dokumen akan semakin bertambah. Selain itu, pada parsing 5 kalimat, dokumen harus memiliki jumlah kata yang banyak. Pada dokumen yang jumlah katanya sedikit, parsing 5 kalimat kinerjanya menurun, terlihat pada kueri hama pengerek, lalat buah, dan pupuk npk. Pada kueri tersebut lebih cocok menggunakan parsing 3 atau 4. Karena parsing 3 atau 4 kalimat, paragraf akan lebih banyak dan kata penciri lebih tersebar, sehingga bobot meningkat. Tabel 15 Perbedaan hasil AVP untuk proses parsing 3, 4, dan 5 kalimat Jumlah kalimat per Kueri paragraf 3 4 5 cabai merah 0.622 0.801 0.687 buah tropika 0.508 0.675 0.730 padi 1.000 1.000 1.000 budidaya anggrek 0.227 0.555 1.000 kultur in vitro 0.280 0.336 0.474 fungisida 0.835 0.835 0.851 genotip 1.000 1.000 1.000 hama penggerek 0.894 0.864 0.769 jagung 1.000 1.000 1.000 pupuk npk 0.709 0.634 0.635 gladiol 1.000 1.000 1.000 tanah latosol 0.909 0.510 1.000 lalat buah 0.784 0.830 0.584 tunas 1.000 1.000 1.000 vaksin 1.000 1.000 1.000 Average precision(avp) 0.785 0.803 0.848 Kinerja sistem pembobotan sebaran kata dan TFIDF menghasilkan output yang berbeda. Secara umum, sistem sebaran kata menghasilkan AVP sebesar 0.848, sedangkan TFIDF menghasilkan AVP sebesar 0.833. Pada penelitian ini, dapat dikatakan hasil pembobotan sebaran kata lebih tinggi. Perbandingan nilai AVP dari sebaran kata dan TFIDF dapat dilihat pada Gambar 4. Pada Lampiran 6 dan 7 dapat dilihat nilai AVP pada masing-masing kueri uji untuk pembobotan sebaran kata dan TFIDF. Tabel 16 merupakan hasil perbandingan dari 15