StopList dan Stemming yasmi afrizal yasmi_afrizal@yahoo.co.id Pertemuan ke-3 StopList dan Stemming yasmi afrizal yasmi_afrizal@yahoo.co.id Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Sistem Temu-kembali Informasi Pertemuan ke-3 Sistem Temu-kembali Informasi Sistem temu-kembali informasi pada prinsipnya adalah suatu sistem yang sederhana. Misalkan ada sebuah kumpulan dokumen dan seorang user yang memformulasikan sebuah pertanyaan (request atau query). Jawaban dari pertanyaan tersebut adalah sekumpulan dokumen yang relevan dan membuang dokumen yang tidak relevan. Secara matematis hal tersebut dapat dituliskan sebagai berikut : Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

indexing Pertemuan ke-3 Sistem temu-kembali informasi pada dasarnya dibagi dalam dua komponen utama yaitu sistem pengindeksan (indexing) yang menghasilkan basis data sistem dan temukembali yang merupakan gabungan dari user interface dan look-up-table. Indexing merupakan sebuah proses untuk melakukan pengindeksan terhadap kumpulan dokumen yang akan disediakan sebagai informasi kepada pemakai. Proses pengindeksan bisa secara manual ataupun secara otomatis. Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Tahapan Pengindeksan Pertemuan ke-3 Parsing Dokumen yaitu proses pengambilan kata-kata dari kumpulan dokumen. Stoplist yaitu proses pembuangan kata buang seperti: tetapi, yaitu, sedangkan, dan sebagainya. Stemming yaitu proses penghilangan/ pemotongan dari suatu kata menjadi bentuk dasar. Kata “diadaptasikan” atau “beradaptasi” mejadi kata “adaptasi” sebagai istilah. Term Weighting dan Inverted File yaitu proses pemberian bobot pada istilah. Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Teknik pembobotan Pertemuan ke-3 1. Teknik pembobotan berdasarkan frekuensi kemunculan istilah pada satu dokumen. Teknik pembobotan ini cukup sederhana dimana bobot suatu istilah pada sebuah dokumen berdasarkan jumlah kemunculannya pada dokumen tersebut. 2. Teknik pembobotan berdasarkan rumus yaitu: Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

.....Teknik pembobotan Pertemuan ke-3 Dimana : Wik adalah bobot istilah k pada dokumen i. tfik merupakan frekuensi dari istilah k dalam dokumen i. n adalah jumlah dokumen dalam kumpulan dokumen. dfk adalah jumlah dokumen yang mengandung istilah k. Max j tf ij adalah frekuensi istilah terbesar pada satu dokumen. Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

teknik temu-kembali informasi Pertemuan ke-3 teknik temu-kembali informasi Ada beberapa teknik temu-kembali informasi yang telah dikembangkan yaitu teknik Boolean sederhana dan teknik Boolean berperingkat serta teknik Extended Boolean Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Teknik Boolean Pertemuan ke-3 Teknik Boolean merupakan suatu cara dalam mengekspresikan keinginan pemakai ke sebuah kueri dengan mamakai operator-operator Boolean yaitu : “and”, “or”, dan “not”. Adapun maksud dari operator “and” adalah untuk menggabungkan istilah-istilah kedalam sebuah ungkapan, dan operator “or” adalah untuk memperlakukan istilah-istilah sebagai sinonim, sedangkan operator “not” merupakan sebuah pembatasan. Teknik Boolean sederhana, kueri diproses sesuai dengan operator yang digunakan dan menampilkan dokumen berdasarkan urutan dokumen ditemukan. Teknik Boolean berperingkat, dokumen diperingkat berdasarkan bobot dari dokumen. Adapun pembobotan dari masing-masing dokumen berdasarkan aturan sebagai berikut : Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

...Komponen Sistem IR Pertemuan ke-3 Dimana dA menyatakan bobot istilah A pada dokumen D. Bobot istilah ini didapat dari hasil proses Indexing. Min(dA,dB) berarti bahwa sebuah dokumen di retrieve dengan bobot sebesar nilai terkecil dari bobot-bobot istilah yang dipunyainya. Max(dA,dB) berarti bahwa sebuah dokumen di retrieve dengan bobot sebesar nilai terbesar dari bobot-bobot istilah yang dipunyainya. Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Teknik Extended Boolean Pertemuan ke-3 Teknik Extended Boolean Teknik Extended Boolean berdasarkan p-norm model merupakan pengembangan lebih lanjut dari model Boolean. Teknik ini memakai operator yangdikomputasi berdasarkan rumus Savoy, sebagai berikut : Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Sistem Pencarian Web Pertemuan ke-3 Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Area Terkait • Manajemen Basis Data • Ilmu Perpustakaan dan Informasi Pertemuan ke-3 Area Terkait • Manajemen Basis Data • Ilmu Perpustakaan dan Informasi • Kecerdasan Buatan • Pemrosesan bahasa alamai • Pembelajaran Mesin Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Relevansi Pertemuan ke-2 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. Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Pertemuan ke-2 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)? Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Masalah dengan Keyword Pertemuan ke-2 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) Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Bukan Sekedar Keyword Pertemuan ke-2 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. Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

IR Cerdas Pertemuan ke-2 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. Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Pertemuan ke-2 Indeks Sistem IR jarang mencari koleksi dokumen secara langsung. Berdasarkan pada koleksi dokumen, dibangun sebuah index. Pengguna mencari index tersebut. Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Indexing Otomatis Pertemuan ke-2 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). Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

IR dari Koleksi Besar Pertemuan ke-2 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. Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Searching & Browsing Pertemuan ke-2 • Orang dalam perulangan Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

IR dari Koleksi Dokumen Teks Pertemuan ke-2 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 Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Istilah Penting Pertemuan ke-2 Information retrieval: sub-bidang ilmu komputer yang berurusan dengan penemuan kembali dokumen (khususnya teks) terotomatis 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). Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Pertemuan ke-2 ...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. Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Pertemuan ke-2 ...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 Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Mengurutan & Ranking Hit Pertemuan ke-2 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 Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

IR Berbasis Teks Pertemuan ke-2 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. Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Frekuensi Kata Pertemuan ke-2 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 Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

...Frekuensi Kata Pertemuan ke-2 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). Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Pertemuan ke-2 ...Frekuensi Kata

Distribusi Ranking Frekuensi Pertemuan ke-2 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)

Pertemuan ke-2 Contoh Frekuensi Rank Slide berikut memperlihatkan kata-kata di dalam data Callan yang telah dinormalisasi. 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.

...Contoh Ranking Frekuensi Pertemuan ke-2 ...Contoh Ranking Frekuensi