Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Pengantar Temu-Balik InformasiPertemuan ke-2 Sistem Temu-Balik Informasi.

Presentasi serupa


Presentasi berjudul: "Pengantar Temu-Balik InformasiPertemuan ke-2 Sistem Temu-Balik Informasi."— Transcript presentasi:

1 Pengantar Temu-Balik InformasiPertemuan ke-2 Sistem Temu-Balik Informasi

2 2 Information Retrieval (IR) Sistem IR Istilah dalam IR IR Berbasis Teks Arsitektur Sistem IR Sejarah IR Area Terkait...akan dibahas Pengantar Temu-Balik Informasi

3 3 Karakterisasi kebutuhan informasi tidaklah mudah. Harus ditranslasi ke dalam suatu query terlebih dahulu. Definisi IR Pencarian materi (biasanya dokumen) dari sesuatu yang sifatnya tak-terstruktur (unstructured, biasanya teks) untuk memenuhi kebutuhan informasi dari dalam koleksi besar (biasanya disimpan dalam komputer). Representasi, penyimpanan, organisasi, pencarian dan akses ke item informasi untuk memenuhi kebutuhan informasi pengguna. Penekanan pada proses retrieval informasi (bukan data). Pengantar Temu-Balik Informasi

4 Motivasi Data retrieval – Dokumen mana yang mengandung himpunan keyword? – Semantik didefinisikan dengan baik – Error dari suatu obyek mengakibatkan kegagalan! Information retrieval – Informasi mengenai suatu subyek atau topik – Semantik dapat bersifat lepas (longgar) – Error kecil ditoleransi 4 Pengantar Temu-Balik Informasi

5 ...Motivasi IR di tengah pertunjukan – IR dalam 20 tahun terakhir: Klasifikasi dan kategorisasi Sistem dan bahasa Antarmuka pengguna dan visualisasi – Masih, area dilihat sebagai bidang yang sempit – Web mengubah persepsi ini Repository pengetahuan universal Akses universal gratis (biaya rendah) Volume raksasa dari informasi tanpa editorial board terpusat Meskipun banyak masalah: IR merupakan kunci untuk menemukan solusi! 5 Pengantar Temu-Balik Informasi

6 Sistem IR Menerima query pengguna yang mewakili kebutuhan informasi Mencari dan menginterpretasikan content (isi) dari item-item informasi Membangkitkan suatu ranking yang mencerminkan relevansi terhadap kebutuhan informasi tersebut Ide mengenai relevansi adalah sangat penting 6 Pengantar Temu-Balik Informasi

7 7

8 8 Kebutuhan IR WWW: lebih 25 milyar halaman web, 1.3 milyar gambar dan lebih 1 milyar pesan Usenet yang diindeks pada Google (2006) Berbagai kebutuhan informasi: –––––––––– Mencari dokumen yang masuk dalam topik tertentu Mencari suatu informasi spesifik Mencari jawaban dari suatu pertanyaan Mencari informasi dalam bahasa berbeda... Pengantar Temu-Balik Informasi

9 Penjualan Software Text Retrieval 9 Pengantar Temu-Balik Informasi

10 Information Retrieval (IR) Secara teknis: indexing (pembuatan index) dan retrieval (pencarian keterangan) dokumen textual. Pencarian halaman pada WWW adalah aplikasi paling “ngetop” saat ini Fokus pertama: meretrieve dokumen- dokumen yang relevan dengan query. Fokus kedua: meretrieve himpunan besar dokumen secara efisien. 10 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

11 Information vs Data Retrieval Sistem data retrieval (seperti database) berurusan dengan structured data yang mempunyai semantik terdefinisi dengan baik dan kebutuhan meretrieve hasil yang pasti (exact) Sistem IR berurusan dengan dokumen bahasa alami (natural language) dan error kecil dapat diabaikan. Sistem IR harus menginterpretasikan content kemudian meranking daftar content sesuai dengan tingkat relevansinya. Tujuan: Meretrieve semua dokumen yang relevan sekaligus meretrieve sesedikit mungkin dokumen yang tidak relevan 11 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

12 Tugas IR Dasar Diberikan: – Suatu corpus dokumen bahasa alami tekstual. – Suatu query pengguna dalam bentuk string tekstual. Temukan: – Suatu himpunan dokumen terurut menurun (ranking) yang relevan dengan query tersebut. 12 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

13 Sistem IR 13 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

14 Contoh Sistem IR Conventional (katalog perpustakaan) Pencarian dengan kata kunci, judul, penulis, dll. Text-based (Google, Yahoo, ASK). Pencarian dengan kata kunci (keyword). Pencarian terbatas menggunakan query dalam bahasa alami. Multimedia (QBIC, WebSeek, SaFe) Pencarian dengan penampilan visual (bentuk, warna,…) Sistem jawaban pertanyaan (AskJeeves, Answerbus) Pencarian dalam bahasa alami (terbatas) Lainnya: IR lintas-bahasa, music retrieval 14 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

15 Sistem IR di Web Pencarian halaman web Pencarian gambar Pencarian isi (content) gambar Pencarian jawaban pertanyaan Pencarian musik? Hari-hati, jangan melanggar hukum. 15 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

16 Relevansi Relevansi merupakan suatu judgment (keputusan) subyektif dan dapat didasarkan pada: –––––––– topik yang tepat. waktu (informasi terbaru). otoritatif (dari suatu sumber terpercaya). kebutuhan informasi dari pengguna. Kriteria relevansi utama: suatu sistem IR sebaiknya (harus) memenuhi kebutuhan informasi pengguna. 16 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

17 Pencarian Keyword Ide paling sederhana dari relevansi: apakah string query ada di dalam dokumen (kata demi kata, verbatim)? Ide yang lebih fleksibel: Berapa sering kata-kata di dalam query muncul di dalam dokumen, tanpa melihat urutannya (bag of words)? 17 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

18 Masalah dengan Keyword Mungkin tidak meretrieve dokumen relevan yang menyertakan synonymous terms. – “restaurant” vs. “café” – “NDHU” vs. “National Dong Hwa University” Mungkin meretrieve dokumen tak-relevan yang menyertakan ambiguous terms. – “bat” (baseball vs. mamalia) – “Apple” (perusahaan vs. buah-buahan) – “bit” (unit data vs. perilaku menggigit) 18 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

19 Bukan Sekedar Keyword Kita akan mendiskusikan dasar-dasar IR berbasis keyword, tetapi… – Fokus pada perluasan dan pengembangan terakhir untuk mendapatkan hasil terbaik. Kita akan membahas dasar-dasar pembangunan sistem IR yang efisien, tetapi… – Fokus pada algoritma dan kemampuan dasar, bukan masalah sistem yang memungkinkan pengembangan ke database ukuran industri. 19 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

20 IR Cerdas Memanfaatkan pengertian atau makna dari kata yang digunakan. Melibatkan urutan kata di dalam query. Beradaptasi dengan pengguna berdasarkan pada feedback, langsung atau tidak langsung. Memperluas pencarian dengan term terkait. Mengerjakan pemeriksaan ejaaan/perbaikan tanda pengenal otomatis. Memanfaatkan Otoritas dari sumber informasi. 20 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

21 Indeks Sistem IR jarang mencari koleksi dokumen secara langsung. Berdasarkan pada koleksi dokumen, dibangun sebuah index. Pengguna mencari index tersebut. 21 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

22 Indexing Otomatis Tujuan dari automatic indexing adalah membangun index dan meretrieve informasi tanpa intervensi manusia. Ketika informasi yang dicari adalah teks, metode automatic indexing akan sangat efektif. Penelitian automatic indexing fundamental dimulai oleh Gerald Salton, Professor of Computer Science di Cornell & mahasiswa Pasca-Sarjananya (Sistem SMART). 22 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

23 IR dari Koleksi Besar Information retrieval dari koleksi sangat besar bersandar pada: – Jumlah computer power yang besar untuk mengerjakan algoritma sederhana terhadap jumlah data yang sangat banyak. komputasi kinerja-tinggi – Pemahaman pengguna terhadap informasi dan kemampuan dari sistem. Interaksi manusia - komputer Machine-learning banyak digunakan untuk mendapatkan kinerja terbaik. 23 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

24 Searching & Browsing Orang dalam perulangan 24 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

25 IR dari Koleksi Dokumen Teks Kategori utama dari metode: – Ranking kemiripan terhadap query (vector space model). – Pencocokan exact (Boolean). – Ranking berdasarkan tingkat kepentingan dokumen (PageRank) – Kombinasi beberapa metode Contoh: Web search engine, seperti Google & Yahoo, menggunakan metode kombinasi, berdasarkan pada pendekatan pertama dan ketiga, dengan kombinasi exact dipilih menggunakan machine learning. 25 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

26 Istilah Penting Information retrieval: sub-bidang ilmu komputer yang berurusan dengan penemuan kembali dokumen (khususnya teks) terotomasi berdasarkan pada content dan contextnya. Searching: Pencarian informasi spesifik di dalam badan informasi. Hasilnya adalah sehimpunan hit. Browsing: Eksplorasi tak-terstruktur dari badan informasi. Linking: Berpindah dari satu item ke item lain mengikuti link (sambungan) seperti rujukan (referensi). 26 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

27 ...Istilah Query: Suatu string teks, menggambarkan informasi yang sedang dicari pengguna. Setiap kata dari query dinamakan search term. Query dapat berupa search term tunggal, string dari term, frase atau ekspresi tertentu menggunakan simbol khusus, misalnya regular expression. Pencarian Full text: Metode yang membandingkan query dengan setiap kata di dalam teks, tanpa membedakan fungsi dari berbagai kata. Pencarian Bidang : Metode pencarian pada bidang struktural atau bibliografis spesifik, seperti penulis atau judul. 27 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

28 28...Istilah Corpus: Koleksi dokumen yang diindeks dan dijadikan target pencarian. Daftar kata: Himpunan semua term yang digunakan dalam indeks untuk suatu corpus (dikenal sebagai vocabulary file). Pada pencarian full text, word list adalah semua term di dalam corpus, stop words dihapus. Term- term terkait dikombinasi dengan stemming. Controlled vocabulary: Metode indexing dimana word list bersifat tetap. Term-term dari vocabulary tersebut dipilih untuk mendeskripsikan setiap dokumen. Keyword: Nama untuk term-term dalam word list, terutama dengan controlled vocabulary. Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

29 Mengurutan & Ranking Hit Ketika pengguna men-submit suatu query ke sistem IR, sistem mengembalikan sehimpunan hit. Pada koleksi dokumen besar, himpunan hit akan sangat besar. Nilai untuk pengguna sering tergantung pada urutan hit ditampilkan. Tiga metode utama: – Mengurutkan hit, misal berdasarkan tanggal – Meranking hit berdasarkan kemiripan antara query dan dokumen – Meranking hit berdasarkan kepentingan dari dokumen 29 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

30 IR Berbasis Teks Sebagian besar metode ranking didasarkan pada model ruang vektor (vector space model). Sebagian besar metode pencocokan (matching) didasarkan ada operator Boolean. Metode Web search mengkombinasikan model ruang vektor dengan ranking berdasarkan pada tingkat kepentingan dokumen. Banyak sistem (dalam praktek) menggabungkan fitur- fitur dari beberapa pendekatan. Pada bentuk dasar, semua pendekatan menganggap kata sebagai token terpisah, dengan usaha minimal untuk memahami kata-kata secara linguistik. 30 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

31 Frekuensi Kata Observasi: Beberapa kata lebih umum daripada yang lain. Statistika: Koleksi sangat besar dari dokumen teks tak-terstruktur mempunyai karakteristik statistik serupa. Statistik ini: – Mempengaruhi efektifitas dan efisiensi dari struktur data yang digunakan untuk mengindeks dokumen – Banyak model retrieval memanfaatkannya. 31 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

32 ...Frekuensi Kata Contoh: Contoh berikut ini diambil dari : – Jamie Callan, Characteristics of Text, 1997 – 19 Juta kata sampel – Slide berikut memperlihatkan 50 kata yang paling umum, diranking (r) berdasarkan frekuensinya (f). 32 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

33 ...Frekuensi Kata 33 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

34 Distribusi Ranking Frekuensi Untuk semua kata di dalam suatu dokumen, untuk setiap kata w – f adalah frekuensi munculnya w – r ranking dari w disusun menurut frekuensi. (kata yang paling umum muncul mempunyai rank =1) 34 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

35 Contoh Frekuensi Rank Slide berikut memperlihatkan kata-kata di dalam data Callan yang telah dinormali- sasi. Dalam contoh ini: – r adalah ranking dari kata w dalam sampel. – f adalah frekuensi kata w di dalam sampel. – n adalah jumlah total kemunculan kata di dalam sampel. 35 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

36 ...Contoh Ranking Frekuensi 36 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

37 Hukum Zipf Jika kata-kata di dalam suatu koleksi diranking, r, berdasarkan frekuensinya, f, maka memenuhi relasi: r × (f/n) = c dimana n adalah jumlah kemunculan kata di dalam koleksi, 19 juta dalam contoh. Koleksi berbeda mempunyai konstanta c berbeda. Dalam teks bahasa Inggris, c sekitar Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

38 Metode pada Hukum Zipf Stop lists: Abaikan kata-kata yang sangat sering (upper cut-off). Digunakan oleh hampir semua sistem. Significant words: Abaikan kata yang paling sering dan paling sedikit (upper and lower cut- off). Jarang digunakan. Term weighting: Berikan bobot berbeda untuk term-term berdasarkan pada frekuensinya, kata- kata yang paling sering dibobot kurang. Digunakan oleh hampir semua metode perankingan. 38 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

39 Pandangan Logik Dokumen Representasi dokumen dipandang sebagai suatu continuum (rangkaian kesatuan). 39 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

40 Arsitektur Sistem IR 40 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

41 Arsitektur IR: Contoh 41 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

42 Komponen Sistem IR Operasi Teks membentuk kata-kata indeks (token) – Tokenization (pemisahan kata) – Penghapusan Stopword (seperti ‘the’, ‘of’, …) – Stemming (mengubah kata-kata berbeda ke bentuk akarnya) Indexing membangun suatu inverted index dari kata ke penunjuk dokumen. – Pemetaan dari kata kunci ke Id dokumen. 42 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

43 ...Komponen Sistem IR Searching meretrieve dokumen-dokumen yang mengandung token query yang diberikan dari inverted index. Ranking memberikan score kepada semua dokumen yang diretrieve sesuai dengan relevance metric. User Interface menangani interaksi dengan pengguna: – Input query dan output dokumen. – Feedback relevansi – Visualisasi hasil. 43 Pengantar Temu-Balik Informasi

44 ...Komponen Sistem IR Operasi Query mentransformasi query untuk meningkatkan retrieval: – Query expansion menggunakan thesaurus. – Query transformation menggunakan feedback relevansi. – Optimisasi query untuk meningkatkan kinerja. (kurang penting daripada dalam sistem data retrieval) Pertanyaan: bagaimana menambahkan suatu komponen personalisasi ke sistem IR? 44 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

45 Pencarian Web Aplikasi IR terhadap dokumen pada WWW Perbedaan: – Ukuran – lebih dari 25 milyar dokumen diindeks pada Google, terus bertambah – Perubahan dokumen tidak dapat dikendalikan. – Harus menghimpun corpus dokumen dengan menjaring (spidering) web. – Dapat mengeksploitasi informasi layout struktural dalam HTML (XML). – Dapat mengeksploitasi struktur link dari web. 45 Pengantar Temu-Balik Informasi

46 Sistem Pencarian Web 46 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

47 47 Tugas lain terkait IR Kategorisasi dokumen otomatis Penyaringan informasi (spam filtering) Perutean (routing) informasi Clustering dokumen otomatis Merekomendasikan informasi atau produk Ekstraksi informasi Integrasi informasi Jawaban pertanyaan... Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

48 Timeline Sistem IR 48 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

49 Sejarah IR an: – Eksplorasi awal dari sistem text retrieval untuk corpora abstrak ilmiah “kecil”, dan dokumen hukum dan bisnis. – Pengembangan model retrieval dasar Boolean dan ruang vektor. – Prof. Salton dan mahasiswanya di Cornell University mengawali penelitian di bidang ini. 49 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

50 ...Sejarah IR 1980-an: – Sistem database dokumen besar, banyak dijalankan oleh perusahaan: LexisNexis – arsip yang dapat dicari (searchable) dari content surat kabar, majalah, dokumen legal (hukum) dan sumber tercetak lain. Dialog MEDLINE 50 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

51 ...Sejarah IR 1990-an: – Pencarian dokumen FTPable di Internet Archie WAIS (Wide Area Information System) – Pencarian World Wide Web Lycos Yahoo Altavista 51 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

52 ...Sejarah IR 1990-an (lanjutan): – Kompetisi Terorganisir NIST(National Institute of Standards and Technology) TREC(Text REtrieval Conference) dimulai tahun 1992 – Sistem rekomendasi Ringo (musik) Amazon (buku) NetPerceptions (collaborative filtering) – Katagorisasi dan clustering teks otomatis 52 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

53 Sejarah IR Terakhir 2000-an – Analisis link untuk pencarian web Google – Ekstraksi informasi otomatis Whizbang Fetch Burning Glass – Jawaban pertanyaan TREC Q/A track 53 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

54 ...Sejarah IR Terkini 2000-an (lanjutan): – IR Multimedia Image Audio dan musik Video – IR lintas-bahasa DARPA TIDES(Translingual Information Detection, Extraction and Summarization) – Perangkuman dokumen 54 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

55 55 Area Terkait Manajemen Basis Data Ilmu Perpustakaan dan Informasi Kecerdasan Buatan Pemrosesan bahasa alamai Pembelajaran Mesin Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

56 Manajemen Basis Data Fokus pada data terstruktur yang disimpan dalam tabel-tabel relasional, bukan teks bentuk bebas. Fokus pada pemrosesan yang efisien dari query yang terdefinisi baik dalam suatu bahasa formal (SQL). Semantik lebih jelas bagi data dan query. Terkini: bergerak ke data semi-structured (XML) membawa ini lebih dekat ke IR. 56 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

57 Ilmu Perpustakaan & Informasi Fokus pada apsek pengguna manusia dari information retrieval (interaksi manusia- komputer, antarmuka pengguna, visualisasi). Berurusan dengan efektifitas katagorisasi dari pengetahuan manusia. Terkait dengan analisis kutipan (citation) dan bibliometrics (struktur informasi). Terkini: kerja pada pustaka digital membawa bidang ini dengan ke Ilmu Komputer dan IR. 57 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

58 Kecerdasan Buatan Fokus pada representasi pengetahuan, penalaran (reasoning) dan tindakan cerdas. Formalisasi representasi pengetahuan dan query: – First-order Predicate Logic – Bayesian Networks –... Terkini: Kerja pada web ontology & agent informasi cerdas membawa AI dekat ke IR. 58 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

59 Pemrosesan Bahasa Alami Natural Language Processing (NLP) Difokuskan pada analisis sintaktis, semantik, dan pragmatis dari teks dan percakapan bahasa alami. Kemampuan untuk menganalisa sintaks (struktur fase) dan semantik memungkinkan retrieval berdasarkan pada pengertian (makna) daripada keyword. Semua sistem IR membutuhkan berbagai derajat NLP. 59 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

60 NLP: Arah IR Metode untuk menentukan makna dari kata yang ambigu berdasarkan pada context (word sense disambiguation). Metode untuk mengidentifikasi potongan spesifik dari informasi dalam suatu dokumen (information extraction). Metode untuk menjawab pertanyaan NL spesifik dari document corpora. 60 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

61 Pembelajaran Mesin (Machine Learning) Fokus pada pengembangan sistem komputasional yang meningkatkan kinerjanya dengan pengalaman (pembelajaran). Klasifikasi contoh secara otomatis berdasarkan pada konsep pembelajaran dari contoh training yang diberi label (supervised learning). Metode otomatis untuk meng-cluster contoh- contoh tak-berlabel dalam kelompok yang sesuai arti (unsupervised learning). 61 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi

62 Machine Learning: Arah IR Text Categorization (pengelompokan teks) – Klasifikasi hirarki otomatis (Yahoo). – Rekomendasi, penyaringan, routing adaptif. – Penyaringan spam terotomasi. Text Clustering – Clustering dari hasil query IR. – Formasi hirarki otomatis (Yahoo). Pembelajaran pada ekstraksi informasi Text Mining Web Mining 62 Pengantar Temu-Balik InformasiSistem Temu-Balik Komputer Keamanan Informasi


Download ppt "Pengantar Temu-Balik InformasiPertemuan ke-2 Sistem Temu-Balik Informasi."

Presentasi serupa


Iklan oleh Google