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
d. laJ F la lr| =IJI v,
z
da
J tg to t&t G. Z (Jz
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.5E=
(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-(oCE'-3*
6.9 EC 0J 'i Po E-l!6 EE '- (o q=ctrq'6
tr
GF !6 qb, Fqeg
*c clT&
"c o)ES
:5 bJ(u ho -<1 c:lEb
*o-'6 'r >6 C5 O!o c5 oJO>a
f E .-(oo> 6-6.6E=
or(g ()- _9 Eoo '-c =(q(oEE5
cE 6 :-'^ oo :r -c6 ;E to oJf ho !.1 ;o oo0 c o6 J>-9o
i-L5.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 (ocbE
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 a0sg
6--oE o)cJ -6J c(! OL Y(E -U =oJ EO Ctr L6 QJY CP L(Ecia
G; J= UDl: cE rEcJ Ctr. c6 L _\ 0) (E-:6 :YC o-h'Pb
6E
E__ u0 fo3E
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 dLEb
oJ= e.= 4' -_ -G(c.QEtr
Ed)
o:
boJ oE .- 0) c_sk
6:3 EG o-oEE
-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 (g6
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 '= rgs
q,, o_ E (.) E;
.g :: -:l 6 6 E (o uo C bn E E a) Pd
L o =o -o (EO o-6u0 q'* 0)c oo I5e
cxoo
rJ-O-o3
'F o,E>
:oc 6= Ei: loE6
qo=u0
{Etrf'a
b8
f9
EOsb.
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 Lo-s
lE = E o Y\
O O c.l (Lil-il
o-c{ o-!-l)
N :) v \Z ai] :z \Z d N rn 16 o (u E, .s (! E o se G oo
.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;
Ee0o-v
a.o
.-Jfl
;
l! Eo
x,o
Fz
gil
.hlz,
szZF
<E<
6H>
6)*<o!?
L-r ,-4.>(rar=
EVv
q>=z
=zfi
(, (9z(f
FJzi,
(,as
1f3
fi=re
EEO
tr,<E
CLEEt-c (! c:
q c @ o-? 0l o/ (! Ft
th E t! ut o o. l! o = 5 {! = lE (Es
!) 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 G3. 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
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 :
Ketepatan dan penguasaan
Bentuk non test :
Melakukan tanya jawab pemahaman mahasiswa
• 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 :
Ketepatan dan penguasaan
Bentuk non test :
Melakukan tanya jawab pemahaman mahasiswa
• Kuliah & Diskusi
[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 :
Ketepatan dan penguasaan
Bentuk non test :
Melakukan tanya jawab pemahaman mahasiswa
• Kuliah & Diskusi
[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 :
Ketepatan dan penguasaan
• Kuliah & Diskusi
[TM:3x50’] a. Konsep dasar skema pembobotan fitur
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)
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 :
Ketepatan dan penguasaan
Bentuk non test :
Melakukan tanya jawab pemahaman mahasiswa
• Kuliah & Diskusi
[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 :
Ketepatan dan penguasaan
Bentuk non test :
Melakukan tanya jawab pemahaman mahasiswa
• Kuliah & Diskusi
[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
Bentuk non test :
Melakukan tanya jawab pemahaman mahasiswa
• Kuliah & Diskusi
[TM:3x50’] a. Konsep peringkasan dokumen teks
b. Peringkasan teks berbasis ekstraksi
9 Mahasiswa mampu
menjelaskan konsep klasifikasi dokumen teks
Ketepatan dalam menjelaskan
klasifikasi dokumen teks Kriteria : Ketepatan dan
penguasaan
Bentuk non test :
Melakukan tanya jawab
• Kuliah & Diskusi
[TM:3x50’] a. Konsep dasar klasifikasi dokumen teks
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) pemahaman mahasiswa 10 Mahasiswa mampu menyelesaikan contoh kasus klasifikasi dokumen teks
Ketepatan dalam menyelesaikan contoh kasus klasifikasi dokumen teks
Kriteria :
Ketepatan dan penguasaan
Bentuk non test :
Melakukan tanya jawab pemahaman mahasiswa
• Kuliah & Diskusi
[TM:3x50’] a. Konsep dasar klasifikasi dokumen teks
b. Algoritme k-nn
11 Mahasiswa mampu menjelaskan konsep document clustering
Ketepatan dalam menjelaskan
document clustering Kriteria : Ketepatan dan
penguasaan
Bentuk non test :
Melakukan tanya jawab pemahaman mahasiswa
• Kuliah & Diskusi
[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 :
Ketepatan dan penguasaan
Bentuk non test :
Melakukan tanya jawab pemahaman mahasiswa
• Kuliah & Diskusi
[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 :
Ketepatan dan penguasaan
Bentuk non test :
Melakukan tanya jawab pemahaman mahasiswa
• Kuliah & Diskusi
[TM:3x50’]
•
a. Konsep dasar seleksi fitur b. Metode seleksi fitur
tersupervisi
c. Metode seleksi tidak fitur tersupervisi
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)
14 Mahasiswa mampu menjelaskan konsep relevance feedback dan query expansion
Ketepatan dalam menjelaskan relevance feedback dan query expansion
Kriteria :
Ketepatan dan penguasaan
Bentuk non test :
Melakukan tanya jawab pemahaman mahasiswa
• Kuliah & Diskusi
[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
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 GENAPTAHUN
zAM/2AL7
LEMBAR
SOAI
INFORMATION RETRIEVAL
Sebrrah dokumen mengandung
3
term/kata
dengan frekuensi sebagaiberikut:
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 cosinessimilarity.
{10p0ints)
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
termtr
danfz
yang
masing-masingaremiliki jumlah
documentfrer1uency pada 5 truah closs/kategori
t1
=
1y3,1-,4,0,0i dantz =
{5,4,0,2,2}. Hitungnilai
i:ai:otlgm 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 toTF-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, TanggalKelompok
Informatian
Retrieval
Rabu,?Slan
ZALBXXKI
SifatWaktu
Dosen Close Book 19.10-
21.00Dr.
Muljono,
S.Si., I(om.Diperiksa oleh:
Koordinator Matakuliah Information Retrieval
Disetujui oleh:
Ketua Program Studi Magister Teknik
Infnrmatika