Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

FUZZY INFORMATION RETRIEVAL Kelompok 4 Betha Nurina Sari Rina Ayoni Dewi Retnani Latifah Nur Fadilahtul M Kingkin Bangkit R Eka Yanuar P.

Presentasi serupa


Presentasi berjudul: "FUZZY INFORMATION RETRIEVAL Kelompok 4 Betha Nurina Sari Rina Ayoni Dewi Retnani Latifah Nur Fadilahtul M Kingkin Bangkit R Eka Yanuar P."— Transcript presentasi:

1 FUZZY INFORMATION RETRIEVAL Kelompok 4 Betha Nurina Sari Rina Ayoni Dewi Retnani Latifah Nur Fadilahtul M Kingkin Bangkit R Eka Yanuar P

2 INFORMATION RETRIEVAL Information Retrieval (IR) :cabang dari ilmu komputer yang meliputi penyimpanan, pemeliharaan dan pencarian informasi dengan data dalam jumlah besar. Data-data tersebut dapat berupa teks, video, gambar, multimedia dan lain-lain. (Snasel, Abraham, Owais, Platos, Kromes, 2008).

3 MODEL Information Retrieval Boolean Suatu cara dalam mengekspresikan keinginan pemakai ke sebuah kueri dengan mamakai operator-operator Boolean yaitu : “and”, “or”, dan “not”. Vektor Strategi pencarian dokumen yang mendekati kondisi queri, pola bobot mengurutkan dokumen berdasarkan derajat kesamaan pada queri (Rubens, 2006)

4 Komponen Information Retrieval Representasi query menggambarkan permintaan informasi user Representasi dokumen menggambarkan koleksi teks Fungsi Ranking merangking dokumen menurut relevansinya (Oussalah dan Elitgani, 2005)

5 FUZZY INFORMATION RETRIEVAL Saat ini dikembangkan model baru IR yang berbasis fuzzy untuk digunakan dalam pengambilan informasi (Oussalah dan Eltigani, 2005). Model IR dengan teori fuzzy atau menggunakan logika fuzzy mulai dikembangkan oleh beberapa peneliti. Teori ini dikembangkan sekitar akhir 1970 dan dirangkum oleh Salton (Grossman dan Frieder, 2004).

6 FUZZY INFORMATION RETRIEVAL Sistem IR mencari dokumen berdasarkan query yang diberikan. Dokumen dan query adalah contoh dari bahasa natural. Bahasa ini seringkali ambigu dan tidak pasti. Sulit untuk menentukan sesuatu yang ambigu dan tidak pasti dalam logika crisp (Rubens,2006). Logika fuzzy berdasar pada teori yang berhubungan dengan class dari obyek dengan batasan yang tidak jelas dengan keanggotaan berdasarkan derajat. Dokumen, query dan karakteristiknya dapat dengan mudah dilihat sebagai class granular dari obyek dengan batasan yang tidak jelas dan keanggotaan fuzzy di banyak aspek (Rubens,2006).

7 FUZZY INFORMATION RETRIEVAL Logika fuzzy adalah sistem logika yang merupakan perluasan logika multi value. Menggunakan logika fuzzy memberikan keuntungan dari metode Boolean saat mengatasi kekurangan. Model logika fuzzy menyediakan framework yang mudah dimengerti untuk pengguna awam dari sistem IR. Dokumen yang didapat dari query dievaluasi dengan aturan Fuzzy Inference System (FIS) yang memiliki semantik yang tepat (Rubens, 2006)

8 FUZZY SET FUZZY SET(Himpunan fuzzy) himpunan dari pasangan terurut A = {(x, µ a (x)) : x€X)}. Dimana X adalah himpunan semesta dari obyek dan µ a (x) adalah nilai keanggotaan suatu obyek x dalam A yang berada dalam interval tertutup [0,1].

9 FUZZY RELATION Fuzzy relation dijelaskan sebagai sebuah metode untuk menggambarkan hubungan antara dua objek (kata) yang berbeda. Dalam kasus IR adalah kata yang berbeda. Contohnya kata ‘fuzzy’ dan ‘neural network’ adalah dua kata yang berbeda tapi jika terdapat lebih dari satu dokumen yang memiliki dua kata tersebut maka bisa jadi keduanya ada hubungan. (Darmadi dkk, 2006)

10 Jenis Relasi untuk pencarian paper dengan Relasi fuzzy Keyword to paper Nilai didapatkan dari hasil pencarian pada karya ilmiah dengan menggunakan keyword dengan melihat jumlah kata yang ditemukan. Nilai fuzzy ditentukan dengan Nilai_keyword_terhadap_paper = min(1,n/20) (1) (Darmadi dkk, 2006)

11 Jenis Relasi untuk pencarian paper dengan Relasi fuzzy Paper to paper (2) Keterangan: ◦ R : Relasi ◦ Pi : Paper / dokumen ke – i ◦ Pj : Paper / dokumen ke – j ◦ D : Keyword ◦ µ: Membership function sebagai suatu mapping ◦ µ Pi : D  [0,1](Darmadi dkk, 2006)

12 Jenis Relasi untuk pencarian paper dengan Relasi fuzzy Paper to keyword (3) Keterangan: ◦ R : Relasi ◦ Pi : Paper / dokumen ke – i ◦ Pj : Paper / dokumen ke – j ◦ D : Keyword ◦ µ: Membership function sebagai suatu mapping ◦ µ Pi : P  [0,1](Darmadi dkk, 2006)

13 Jenis Relasi untuk pencarian paper dengan Relasi fuzzy Keyword to keyword (4) Keterangan: ◦ R : Relasi ◦ Pi : Paper / dokumen ke – i ◦ Pj : Paper / dokumen ke – j ◦ D : Keyword ◦ µ: Membership function sebagai suatu mapping ◦ µ Pi : P  [0,1](Darmadi dkk, 2006)

14 Extended Fuzzy Rumus diatas masih belum cukup untuk menghasilkan pencarian dimana juga melibatkan hubungan dengan kata dan atau karya ilmiah lain pada halaman yang sama. Untuk mewujudkan hal tersebut maka dilakukan lagi satu tahapan perhitungan yaitu untuk menentukan hubungan dengan kata atau karya ilmiah lain serta menentukan juga bentuk urutan keluaran yang diinginkan (rangking). Perhitungan tersebut disebut sebagai extended fuzzy (Darmaji dkk, 2006)

15 Contoh extended fuzzy Kata pencarian adalah K1 dan K1 mempunyai hubungan dengan kata yang lain. Hubungannya dijabarkan sebagai berikut: K1 = {1/K1,0.8/K7,0.5/K8} Maka pencarian juga melibatkan kedua keyword diatas sehingga pencarian akan mencari K1,K7,K8. Kemudian dari hasil pencarian masing – masing keyword didapatkan 3 hasil fuzzy set yang masing – masing mempunyai nilai sendiri – sendiri.

16 Misalnya : ◦ P5 = {1/K1,0.5/K7} ◦ P6 = {1/K7} ◦ P7 = {0.4/K1,0.8/K7} ◦ P8 = {0.8/K8} ◦ P9 = {0.7/K8} ◦ P10 = {0.9/K8} Hubungan antara ketiga fuzzy sets diatas dibentuk dengan mengalikan nilai (Dot Product) relasi keyword dengan nilai element pada hasil (Darmaji dkk, 2006)

17 Fuzzy Retrieval Menurut Oussalah dan Elitgani (2005) Menentukan himpunan fuzzy µ (ti) berhubungan dengan tiap indeks kata kunci t i pada daftar dokumen : (5) idf(t i ) adalah frekuensi dokumen sebaliknya dari kata kunci t i diberikan idf(t i ) = log(N/n i ) N adalah jumlah total dokumen dalam database dan ni adalah jumlah total dokumen yang berisi indeks kata kunci t i.

18 Fuzzy Retrieval Menurut Oussalah dan Elitgani (2005) Alternatif dari rumus (5) dalam menemukan himpunan fuzzy untuk tiap dokumen dari indeks kata kunci : µ (dj) (tj) = µ (ti) (dj) (6) (7) dimana q k adalah komponen ke k dari query q digunakan pada ekspresi logika L seperti q = L(q 1,q 2,...) dan L adalah ekstensi himpunan fuzzy L.

19 Fuzzy Retrieval Menurut Oussalah dan Elitgani (2005) Relevansi dari dokumen d j untuk query dapat diekspresikan sebagai hasil dari implikasi fuzzy berikut : (8) dimana I menunjukkan operator fuzzy I. Contohnya dengan menggunakan Implikator Lukasiewicz (9)

20 Contoh penerapan : Ada himpunan 3 dokumen : D1 : “student have access to computers” D2 : “people do not like computers and laptops” D3 : “computer courses are fmiliar to students” Query q : “student have computer OR laptops” Himpunan indeks kata kunci : K = (students, have, access, to, computers, people, do, like, laptops, courses, are, familiar), dengan t1 = students, t2 = have,..., t12= familiar (Oussalah dan Elitgani, 2005)

21 Contoh penerapan Penerapan rumus 5 Penerapan rumus 6 (Oussalah dan Elitgani, 2005)

22 Contoh Penerapan sehingga (Oussalah dan Elitgani, 2005)

23 Contoh Penerapan Menggunakan rumus 9 maka Dengan operasi Max maka hasilnya Sehingga dapat disimpulkan dokumen d1 yang paling relevan dengan query. Sedangkan dokumen d2 dan d3 sama-sama relevan (Oussalah dan Elitgani, 2005)

24 Aturan Fuzzy untuk mencari dokumen Jika term index menunjuk pada judul dokumen maka diberikan nilai yang paling tinggi Jika menunjuk pada daftar keyword pada dokumen, maka dokumen tersebut diberi nilai tertinggi kedua. Jika pada Bab atau subbab maka diberi nilai tertinggi ketiga. Jika ditemukan pada bagian isi yang berhuruf tebal maka hubungannya secara virtual akan diperluas Jika sebuah quantifier ditemukan maka index yang berhubungan dengan quanifier itu akan dialokasikan frekuensi lebih atau kurang berdasarkan sifat alami quantifier dengan cara mengalikan f i,j (1) dengan kuantitas tetap (Oussalah dan Elitgani, 2005)

25 Algoritma pencarian dokumen Rentangkan dokumen dan bangun representasi index yang dari semua dokumen Tulis ulang query dari representasi index Aplikasikan dengan p>0 dan dan µ(d j ) ditentukan oleh untuk mengkalkulasi himpunan fuzzy µ(d j ), untuk j = 1 to n. (Oussalah dan Elitgani, 2005)

26 Algoritma Pencarian Dokumen Tentukan µ q menggunakan Tentukan kesamaan Sim(dj,q) untuk j = 1 to n menurut dan urutkan kesamaan menurut (Oussalah dan Elitgani, 2005)

27 Daftar Pustaka Darmadi, B.A, Intan R., Lim, R., 2006, Aplikasi Search Engine Paper / Karya Ilmiah Berbasis WEB dengan Metode Fuzzy Relation, Grossman, D.A, Frieder, O. 2004, Information Retrieval : Algorithms and Heuristics 2 nd Edition, Springer, Netherland Oussalah, M. and Eltigani, 2005, A., Personalized Information Retrieval System in The Framework of Fuzzy Logic, EUSFLAT-LFA 2005 Rubens, N.O, 2006, The Application of Fuzzy Logic to The Construction of the Ranking Function of Information Retrieval, Computer Modelling and New Technologies, 2006, Vol.10, No.1, 20-27, Transport and Telecommunication Institute, Lomonosov 1, LV-1019, Riga, Latvia Snasel, V; Abraham, A; Owais, S; Platos, J; Kromer,P, 2008, Optimizing Information Retrieval Using Evolutionary Algorithm and Fuzzy Inference System.


Download ppt "FUZZY INFORMATION RETRIEVAL Kelompok 4 Betha Nurina Sari Rina Ayoni Dewi Retnani Latifah Nur Fadilahtul M Kingkin Bangkit R Eka Yanuar P."

Presentasi serupa


Iklan oleh Google