RENCANA PEMBELAJARAN SEMESTER

(1)

PEMBELAJARAN

2019

UNIVERSITAS DIAN NUSWANTORO

RENCANA

Jl. Imam Bonjol 205 – 207 Gedung G lt. 2 Semarang

Telp (024) 3547038 , (024) 70793727

SEMESTER

PRODI MAGISTER

TEKNIK INFORMATIKA

(2)

d. laJ F la lr| =IJI v,

z

d

a

J tg to t&t G. Z (J

z

lrl &

\E

\s

\i

IE

ILto

(E

)ur

./-.-ju

& .C(J o L (f .= C 6 E 6 (o OJ (g c c .! -c (o cl v bo C s -o E

€

c G G

'-c) JZ 0) (o 6 6 B G b! c 3 b! o! c G L {r o-G v '6 c (g v v 5 c :f c OJ c G v CJ -o c q '= E AJ E -6 (.)

'-OJ c .9 G E o .C oo c 6 o -o E G 6 E 'bo E Y CJ E 6 E .E 6 c 6 -c 6 6 G E L c.) o" E 6 -c 6 I OJ E OJ -cJ c.5

E=

(og oJt l --6 trr

>.E

C 6 E 6 .! I 0.) o_ E o (E L -o € J 6> -A c)bJ -'q Qo

.6E

nrI

'€

C> O-= 6=

EE

o5

eo-(oC

E'-3*

6.9 EC 0J 'i Po E-l!6 EE '- (o q=

ctrq'6

tr

GF !6 qb, Fq

eg

*c cl

T&

"c o)

ES

:5 bJ(u ho -<1 c:l

Eb

*o-'6 'r >6 C5 O!o c5 oJO

>a

f E .-(oo> 6-6.6

E=

or(g ()- _9 Eoo '-c =(q(oE

E5

cE 6 :-'^ oo :r -c6 ;E to oJf ho !.1 ;o oo0 c o6 J>

-9o

i-L

5.o

EE

(g= (o-C E.-6 G->C O(E -G6q, EC - 0,, oC (oc tr(o oJa

.e6

4J -E 6G'{= -E i; 0r

.dE

bo 0)

oE

e bI) 6L LG => 'E '& 0J-= oo 6 6.' O-C (oc

bE

CC o)o o- Al trb!

E5

z. o-j

-f C] c E j f E q.,

,

E E E o

,-c,) c c (! ! :, c :f C (J E f, o. E 3 c G -o f v f L 0) (o .E (o J v -o uo C G G .0J o c .F 6 E .= c G '6 (g c E OJ E h0 C c) E c -9 .9 fo c (! bo C E ,= (o (, -o c C.l E = o. E .q ! OJ -o c fs 5 .C (g OJ oo o o. c I E 6 -o CJ qJ E (o o (J bo C CJ E E 64 o- E: EAJ .;E 6E EC a0

sg

6--oE o)cJ -6J c(! OL Y(E -U =oJ EO Ctr L6 QJY CP L(E

cia

G; J= UDl: cE rEcJ Ctr. c6 L _\ 0) (E-:6 :YC o-h

'Pb

6E

E__ u0 fo

3E

EC (g -:l

>g

-a OJ o L c o ',4 G E L o .C E E C 6 E c, o v E 6 .C 6 E o E =.9 6 ,c s E o) CJ c .9 E

.;

(o :o c (o (o :f -o Ga5 oc dL

Eb

oJ= e.= 4' -_ -G(c.Q

Etr

Ed)

o:

boJ oE .- 0) c_

sk

6:3 EG o-o

EE

-o

;F

.9(, 9O-Po G9 a, o_ 6 CJ c.) C t: o E .C (E o (o c ,c .! OJ c {J o l (! _o L o -C 6 6 C G -c (s E 0l E 6

;

.q -c 6 = OJ a) C F 6 E o o! 6 G -o G a 6 = E c c) o c 6 J l g (g

6

E o. E (E E 6 =.q G .C j (o GI 0l L o 6 E

.;

(o 5 -(, rc uo C (! c) E () E €l -o o CJ E '= rg

s

q,, o_ E (.) E

;

.g :: -:l 6 6 E (o uo C bn E E a) P

d

L o =o -o (EO o-6u0 q'* 0)c oo I

5e

cx

oo

rJ-O

-o3

'F o,

E>

:oc 6= Ei: lo

E6

qo

=u0

{Etr

f'a

b8

f9

EO

sb.

trtr

6*

.9x

o6, g.= loE Ed, O'P uoh ota o-: F{N N (n E o :Z tJ1 \1

,\3

:

r:

a

E 5 rtl E (o u0 o L

o-s

lE = E o Y

\

O O c.l (L

il-il

o-c{ o-!-l

)

N :) v \Z ai] :z \Z d N rn 16 o (u E, .s (! E o se G o

o

.L (J c t! (! ! {,) ll E o o-tr .g (! .L (g L.l {! -Y-b!:

i;iE.av

o.(E

-:s

qZ 0, a q (t .:a lE (!'9 @e

-oi;

Ee0

o-v

a.o

.-J

fl

;

l! E

o

x,

o

F

z

gil

.hl

z,

sz

ZF

<E<

6H>

6)*

<o!?

L-r ,-4.>

(rar=

EVv

q

>=z

=zfi

(, (9

z(f

FJ

zi,

(,as

1f3

fi=re

EEO

tr,<E

CLEEt-c (! c

:

q c @ o-? 0l o/ (! F

t

th E t! ut o o. l! o = 5 {! = lE (E

s

!) ll E a) o-.q IE a l! I L o o E o tn an .h =

t

o P (u E o o .g l! ts c o E d, ri o-g, bI c (! E c, c o o-o o G o T' o .r i ll/i1,

I

t:a':

//, - a ',7 Itl\ \ -t G = G G

(3)

3. Information retrieval model; Boolean model; vector space model; similarity measure, distance measure 4. Skema pembobotan; tf, log tf, idf, tf.idf

5. Evaluasi pada Information Retrieval; confusion matrix, recall, precision, f-measure, cross validation 6. Multimedia information retrieval; definisi dan contoh penerapan

7. Automated short answer scoring; penjelasan metode 8. Klasifikasi teks; naive bayes, knn

9. Text clustering; partitional dan hierarchical clustering 10. Seleksi fitur; supervised dan unsupervised feature selection

11. Text document summarization; definisi dan metode peringkasan dokumen teks 12. Relevance feedback dan query expansion; definisi dan metode

Pustaka

Utama :

1. Christopher D. Manning, Prabhakar Raghavan and Hinrich Schutze, Introduction to Information Retrieval, Cambridge University Press. 2008.

2. Bruce Croft, Donald Metzler, and Trevor Strohman, Search Engines: Information Retrieval in Practice, Pearson. 2009

Pendukung :

3. Suanmali et al, Fuzzy Logic Based Method for Improving Text Summarization

4. Ju Hong Lee et al, Automatic generic document summarization based on non-negative matrix factorization 5. Gleb Sizov, Extraction-Based Automatic Summarization

6. Chen et al, Turning from TF-IDF to TF-IGM for term weighting in text classification, 2016

Media Pembelajaran Perangkat Lunak : _{Rapidminer, Python GUI} Perangkat Keras : _Proyektor

Tim Teaching Dr. Muljono, S.Si, M.Kom

(4)

Mgg ke

Sub CP MK (sebagai kemampuan

akhir yang diharapkan) Indikator

Kriteria & Bentuk Penilaian

Metode Pembelajaran [Estimasi Waktu]

Pengalaman Belajar Materi pembelajaran

Bobot Penilaian (1) (2) (3) (4) (5) (6) (7) 1 Mahasiswa mampu menjelaskan konsep sistem temu-kembali informasi dan penerapannya

Ketepatan dalam menjelaskan konsep, penggunaan serta penerapan sistem temu kembali informasi

Kriteria :

Ketepatan dan penguasaan

Bentuk non test :

Melakukan tanya jawab pemahaman mahasiswa

•_{Kuliah & Diskusi}

[TM:3x50’]

a. Pengertian sistem temu kembali informasi

b. Contoh penerapan aplikasi sistem temu kembali informasi

2 Mahasiswa mampu

menjelaskan konsep inverted index dan pemrosesan awal dokumen teks

Ketepatan dalam menjelaskan inverted index dan pemrosesan awal dokumen teks

Kriteria :

• Kuliah & Diskusi

[TM:3x50’] a. Inverted index b. Tokenizing

c. Stemming d. N-gram

3 Mahasiswa mampu

menjelaskan model-model sistem temu kembali informasi dan pengukuran kemiripan dokumen

Ketepatan dalam menjelaskan model-model sistem temu kembali informasi dan

pengukuran kemiripan dokumen

Kriteria :

[TM:3x50’]

•_{Tugas-1: pemberian soal}

latihan terkait inverted index, Boolean model dan vector space model

a. Boolean model b. Vector space model c. Similarity measure d. Distance measure

4 Mahasiswa mampu

menerapkan evaluasi sistem temu kembali informasi

Ketepatan dalam menjelaskan cara mengevaluasi sistem temu kembali informasi

Kriteria :

[TM:3x50’] a. Confusion matrix b. Recall, precision, f-measure

c. Cross validation

5 Mahasiswa mampu

menjelaskan skema pembobotan pada

Ketepatan dalam menjelaskan skema pembobotan pada sistem temu kembali informasi

Kriteria :

[TM:3x50’] a. Konsep dasar skema pembobotan fitur

(5)

Mgg ke

Bobot Penilaian

(1) (2) (3) (4) (5) (6) (7)

sistem temu kembali

informasi Bentuk non test : Melakukan

tanya jawab pemahaman mahasiswa 6 Mahasiswa mampu menjelaskan konsep multimedia information retrieval (MIR)

Ketepatan dalam menjelaskan pengertian dan penerapan multimedia information retrieval

Kriteria :

[TM:3x50’] a. Konsep dasar multimedia information retrieval

b. Contoh multimedia information retrieval

7 Mahasiswa mampu

menjelaskan konsep automated short answer scoring

Ketepatan dalam menjelaskan pengertian dan penerapan automated short answer scoring

Kriteria :

[TM:3x50’] a. Konsep dasar multimedia information retrieval

b. Contoh automated short answer scoring

8 Mahasiswa mampu

menjelaskan konsep peringkasan dokumen teks

Ketepatan dalam menjelaskan

peringkasan dokumen teks Kriteria : Ketepatan dan

penguasaan

[TM:3x50’] a. Konsep peringkasan dokumen teks

b. Peringkasan teks berbasis ekstraksi

9 Mahasiswa mampu

menjelaskan konsep klasifikasi dokumen teks

klasifikasi dokumen teks Kriteria : Ketepatan dan

penguasaan

Melakukan tanya jawab

[TM:3x50’] a. Konsep dasar klasifikasi dokumen teks

(6)

Mgg ke

Bobot Penilaian (1) (2) (3) (4) (5) (6) (7) pemahaman mahasiswa 10 Mahasiswa mampu menyelesaikan contoh kasus klasifikasi dokumen teks

Ketepatan dalam menyelesaikan contoh kasus klasifikasi dokumen teks

Kriteria :

[TM:3x50’] a. Konsep dasar klasifikasi dokumen teks

b. Algoritme k-nn

11 Mahasiswa mampu menjelaskan konsep document clustering

document clustering Kriteria : Ketepatan dan

penguasaan

[TM:3x50’] • a. Konsep clustering b. Partitional clustering 12 Mahasiswa mampu menyelesaikan contoh kasus clustering dokumen teks

Ketepatan dalam menyelesaikan contoh kasus clustering dokumen teks

Kriteria :

[TM:3x50’] • a. Konsep clustering b. Hierarchical clustering 13 Mahasiswa mampu menjelaskan konsep seleksi fitur pada sistem temu kembali informasi

Ketepatan dalam menjelaskan seleksi fitur pada sistem temu kembali informasi

Kriteria :

[TM:3x50’]

•

a. Konsep dasar seleksi fitur b. Metode seleksi fitur

tersupervisi

c. Metode seleksi tidak fitur tersupervisi

(7)

Mgg ke

Bobot Penilaian

(1) (2) (3) (4) (5) (6) (7)

14 Mahasiswa mampu menjelaskan konsep relevance feedback dan query expansion

Ketepatan dalam menjelaskan relevance feedback dan query expansion

Kriteria :

[TM:3x50’] a. Konsep relevance feedback dan query expansion

b. Algoritme Rocchio

15 Pengumpulan Tugas (Proyek Akhir) Catatan :

[1]. TM : tatap Muka

[2]. [TM:3x50’] : Kuliah tatap muka 1 kali (minggu) x 3 sks x 50 menit=150 menit

(8)

oVts'ton'!f;'

fi:li

r'r-._ _1)+n"uDrNUri _.s *i$

'.ririilili$;'

I]M-U DiNi Li S-Br\4-04- 1 6lR0

PROGR{NT

]UAGI

STER

TEKNIK

INFO

RMA'TKA

UNIVERSITAS DIAN

I\

TISWANTORO

Jl. Irnarn BonjolNo. 207 Sernarang 50131, I'elp. (02a) 7A7%727, Telp lFax (024) 15,i7038

Flomepage: wlr'w.dinus.ac.id e-mail:

.:

,:: : i:r

;

,

: _"

UJIAN

AKHIR

SEMESTER GENAP

TAHUN

zAM/2AL7

LEMBAR

SOAI

INFORMATION RETRIEVAL

Sebrrah dokumen mengandung

3 term/kata

dengan frekuensi sebagai

berikut:

student=3;

faculty=2'Ltniversiql=L Diasumsikan terdapat 10.000 dokumen, dengan dacumentfrequency

masing-masing term adalah student=S}; _{faculty=1900;}urufver:sity=??A. Hitung

fltrf

rnasing-masing term tersebut. _[10

points)

Hitung kemiripan antar dokumen L dan dokuinen

2

menggunakan cosines

similarity.

_{10

p0ints)

d1 = [5,0,3,0,2,0,0,2,0,0J

d2 = {3,0,2,0,1,1,0,1,0,1)

Terdapat

dua

buah

term

tr

dan

fz

yang

masing-masing

aremiliki jumlah

document

frer1uency pada 5 truah closs/kategori

t1

=

1y3,1-,4,0,0i dan

tz =

{5,4,0,2,2}. Hitung

nilai

i:ai:ot

lgm pada masing-masing fernr tersebut dengan persamaan _{irerikut. [20}

points]

igm('

_'n)

'

_-

fkr

ztr*fk,

Iletail persamaan tersebut bisa dilihat pada paper dengan judul "Iurning

_fram

TF-lDF to

TF-lGM

_for

tenn weighting in text classificction"

Buat sebuah extended ahstract yang diambil pada sebuah karya ilmiah internasional _[lEEE,

ACM, Springer, atau Science directJ dengan jumlah kata 300-400.

_{[30 points)}

Buat sebuah matriks dan teniukan matriks IJ,S, dan I/:' dengan menggunakan Singular Value

Decr:mposition ISVDJ. Matriks yang dibuat setiap mahasiswa tidak boleh san]a. (30

points]

3. 4. Mata

Kuliah

Hari, Tanggal

Kelompok

Informatian

Retrieval

Rabu,?Slan

ZALB

XXKI

Sifat

Waktu

Dosen Close Book 19.10

_-

21.00

Dr.

Muljono,

S.Si., I(om.

Diperiksa oleh:

Koordinator Matakuliah Information Retrieval

Disetujui oleh:

Ketua Program Studi Magister Teknik

Infnrmatika