stoplist dan stemming yasmi afrizal yasmi_afrizal@yahoo.co.id

StopList dan StemmingStopList dan Stemming

yasmi afrizal yasmi afrizal yasmi_afrizal@yahoo.co.idyasmi_afrizal@yahoo.co.id

Pertemuan ke-3

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Hukum Zipf

Pertemuan ke-3

• 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 0.1.

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Metode 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.

Pertemuan ke-3

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Pandangan Logik Dokumen

• Representasi dokumen dipandang sebagai suatu continuum (rangkaian kesatuan).

Pertemuan ke-3

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Arsitektur Sistem IR

Pertemuan ke-3

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Arsitektur IR: Contoh

Pertemuan ke-3

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

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.

Pertemuan ke-3

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

...Komponen Sistem IR

Pertemuan ke-3

• 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.

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

...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?

Pertemuan ke-3

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Pencarian Web

Pertemuan ke-3

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

• 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

Sistem Pencarian Web

Pertemuan ke-3

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Area Terkait

Pertemuan ke-3

• 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• 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.

Pertemuan ke-2

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

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)?

Pertemuan ke-2

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

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)

Pertemuan ke-2

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

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.

Pertemuan ke-2

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

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.

Pertemuan ke-2

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Indeks • Sistem IR jarang mencari koleksi dokumen secara

langsung. Berdasarkan pada koleksi dokumen, dibangun sebuah index. Pengguna mencari index tersebut.

Pertemuan ke-2

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

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).

Pertemuan ke-2

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

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.

Pertemuan ke-2

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Searching & Browsing

Pertemuan ke-2

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

• Orang dalam perulangan

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

Pertemuan ke-2

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

Istilah Penting • 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).

Pertemuan ke-2

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

...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.

Pertemuan ke-2

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

...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

Pertemuan ke-2

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

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

Pertemuan ke-2

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

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.

Pertemuan ke-2

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

FrekuensiKata

• 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

Pertemuan ke-2

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

...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).

Pertemuan ke-2

Jurusan Teknik Informatika Universitas Ahmad Dahlan Semester Ganjil 2010/2011

...Frekuensi Kata

Pertemuan ke-2

Distribusi RankingFrekuensi

• 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.

Pertemuan ke-2

...Contoh RankingFrekuensi

Pertemuan ke-2