JULIO ADISANTOSO - ILKOM IPB

(1)

KOM341

Temu Kembali Informasi

KULIAH #3

•  Inverted Index

??

(2)

Inverted index construction

JULIO ADISANTOSO - ILKOM IPB

Tokenizer

Token perkebunan

pertanian kehutanan

Linguistic modules

Modifikasi token kebun tani hutan

Indexer

Inverted index.

hutan

perkebunan, pertanian, dan kehutanan

Indexing

o  Pengindeksan secara manual (oleh manusia)

n  Menentukan kata kunci dari suatu dokumen berdasarkan perbendaharaan kata yang ada (controlled vocabulary)

n  Oleh ahli di bidangnya

n  Lama dan mahal

o  Pengindeksan secara otomatis

n  Program komputer untuk menentukan kata atau frase tertentu dari teks pada dokumen

(3)

Indexing

Manual Automatic

Controlled vocabulary

Catalogization Categorization

Free text Indexing Search engine

Tahap Pengindeksan Otomatis

o  Perhatikan struktur dokumen (id, tanggal, author, title, text, dsb)

o  Tokenisasi

o  Buang stopwords

o  [proses pemotongan imbuhan (stemming)] o  Pembobotan kata

(4)

1. Struktur Dokumen

o  Tergantung jenis dokumen o  Format umum : SGML

o  Perlu pemisahan antar elemen dokumen? o  Bagian mana saja dari dokumen yang akan

di-indeks?

2. Tokenisasi

o  Kata atau konsep?

n  Kata sederhana (tunggal)

n  Frase

n  Konsep à Thesaurus

o  Teknik: segmentasi, memilah o  Tokenisasi :: Frase

n  Contoh frase : tusuk jarum

n  Banyak menggunakan metode statistika

n  Berdasarkan frekuensi kemunculan

(5)

3. Stopwords

o  Kata buangan, daftar kata umum yang

mempunyai fungsi tapi tidak mempunyai arti o  Contoh : dan, atau, yang

o  Dari pengalaman, frekuensinya sangat banyak o  Dibuang, untuk efisiensi

o  Timbul masalah, misalkan :

n  Yang Mulia

n  Yang Maha Kuasa

n  Ekspresi DAN bernilai benar jika kedua operand bernilai benar

4. Stemming

o  Proses pembuangan prefiks dan sufiks (secara morfologi) dari suatu kata berimbuhan menjadi kata dasar.

o  Contoh: menyelesaikan _à selesai (stem) o  Stemming dilakukan atas dasar asumsi bahwa

kata-kata yang memiliki stem yang sama memiliki makna yang serupa pula.

(6)

Tujuan Stemming

o  Efisiensi, mengurangi jumlah kata-kata unik dalam indeks sehingga mengurangi kebutuhan ruang penyimpanan untuk indeks dan

mempercepat proses pencarian.

o  Efektivitas, meningkatkan dokumen yang

ditemu-kembalikan (recall) dengan mengurangi varian kata menjadi bentuk kata dasarnya (stem).

Masalah Stemming

o  Umum dilakukan dalam IR walaupun hasilnya banyak bermasalah.

o  Contoh:

n  kadaluarsa àngadaluarsa

n  mencapai àcapa

o  Stemming akan menghilangkan variasi morfologi.

(7)

Teknik Stemming

Teknik stemming dapat dikategorikan menjadi tiga jenis:

o  Berdasarkan aturan sesuai bahasa tertentu, o  Berdasarkan kemunculan bersama,

o  Berdasarkan kamus.

Porter Stemmer

o  Stemmer untuk bahasa Inggris yang terdiri dari beberapa aturan, dikembangkan oleh Martin Porter.

o  Dasar algoritme Porter berdasarkan pemotongan awalan (prefix) dan akhiran (suffix):

n  Penghitungan ukuran kata

(8)

Ukuran kata

o  Setiap kata/bagian kata dapat memiliki salah satu dari empat bentuk:

KVKV ... K KVKV ... V VKVK ... K VKVK ... V o  Bentuk umum:

[K]VKVK ... [V] atau [K] (VK)m_[V]

dimana m_{melambangkan ukuran kata}

Ukuran kata

o  Contoh:

n  ”makan” dan ”bentuk” : m=2

n  ”presentasi” dan ”dimanakah” : m=4

o  Fungsi penghitung ukuran kata digunakan untuk mencegah stemming menghasilkan stem yang terlalu pendek (overstemming).

(9)

Aturan pemotongan

o  Aturan: P1 (kondisi) S1 → P2 S2

o  Artinya jika kata memiliki prefiks P1 dan sufiks S1, dan bagian kata setelah P1 dan sebelum S1 memenuhi kondisi atau aturan yang diberikan, maka P1 dan S1 akan diganti menjadi P2 dan S2.

o  Kondisi dapat menggunakan operator AND, OR, atau NOT untuk menyatakan aturan yang

kompleks.

Contoh

(m>1) wan →

o  berarti S1 adalah wan, dan S2 adalah null (kata kosong).

(10)

Program Stemmer

o  Berbagai implementasi Porter Stemmer untuk bahasa Inggris:

n  http://www.tartarus.org/~martin/PorterStemmer/

o  Untuk bahasa Indonesia, lihat :

n  UI : Neil Siregar (1995)

n  UI : Adriani & Nazief (1996)

n  IPB : Ahmad Ridha (2002), Julio Adisantoso (2009)

o  Bantuan kamus.

Teknik stemming

o  Periksa semua kemungkinan bentuk kata:

prefiks1+prefiks2+KATADASAR+sufiks3+sufiks2+sufiks1

o  Lakukan pemotongan berurutan : prefiks1, prefiks2, sufiks1, sufiks2, sufiks3 (kalau ada), dan KATADASAR.

o  Setiap tahap pemotongan diikuti dengan pemeriksaan di kamus kata dasar). Jika ada maka proses dinyatakan selesai.

o  Contoh : kata mempermainkannya :

(11)

Kombinasi kata

Awalan me-

o  me-→meng-, jika huruf pertama kata dasar adalah huruf vokal,

k*, g, h. Contoh: me- + kikis →mengikis*, me- + gotong → menggotong, me- + hias →menghias.

o  me-→menge-, jika kata dasar hanya satu suku kata. Contoh:

me- + bom →mengebom, me- + tik →mengetik, me- + klik → mengeklik.

o  me-→meny-, jika huruf pertama adalah s*. Contoh: me- + sapu

(12)

Sifat khusus

o  Dilebur jika huruf kedua kata dasar adalah huruf vokal. Contoh: me- + tipu → menipu, me- + sapu → menyapu, me- + kira → mengira.

o  Tidak dilebur jika huruf kedua kata dasar adalah huruf konsonan. Contoh: me- + klarifikasi → mengklarifikasi.

o  Tidak dilebur jika kata dasar merupakan kata asing yang belum diserap secara sempurna. Contoh: me- + konversi → mengkonversi.

Masalah pada stemming

o  Understemming

n  jumlah kata/imbuhan yang dipotong terlalu sedikit

n  Misal: ”pengorbanan” menjadi ”korbanan”

o  Overstemming

n  jumlah kata/imbuhan yang dipotong terlalu banyak

(13)

5. Pembobotan

o  Perlunya suatu kata diberi bobot

n  Makin sering suatu kata muncul pada suatu dokumen, maka diduga semakin penting kata itu untuk dokumen tsb.

o  Beberapa pendekatan:

n  tf

n  tf.idf

n  BM25

n  dsb.

Term frequency (tf)

o  Frekuensi kemunculan suatu term t_pada

dokumen d _è_tf

t,d o  Contoh:

term d1 d2 d3 d4 d5

dari 20 100 10 22 10

database 15 0 0 0 12

dengan 12 40 12 14 24

informasi 8 30 0 0 18

komputer 10 35 0 0 0

struktur 0 24 6 10 10

(14)

Term frequency (tf)

o  Mana yang lebih memberikan informasi sebagai penciri dari suatu dokumen? (kasus pada

dok-1)

n  Kata komputer yang muncul sebanyak 10 kali

n  Kata yang yang muncul sebanyak 35 kali

n  Kata dari yang muncul sebanyak 20 kali

o  Kata yang muncul di semua dokumen dengan frekuensi yang besar. Apa akibatnya?

Document frequency

(df)

o  Banyaknya dokumen di dalam koleksi yang mengandung kata tertentu.

o  Mana yang lebih informatif bagi suatu kata untuk mencirikan dokumen?

n  Seberapa jarang suatu kata muncul di seluruh dokumen?

n  Seberapa sering suatu kata muncul di seluruh dokumen?

o  Contoh:

dari database dengan informasi komputer struktur yang

(15)

(idf)

o  Banyaknya dokumen dimana suatu term t

muncul :

o  Dikoreksi dengan banyaknya seluruh dokumen dalam koleksi (N_{), menjadi :}

t

Bobot tf.idf

o  Hasil kali : tf

t x idft

o  Maka bobot setiap term t_{pada dokumen}d

adalah:

o  Kecenderungan nilai bobot:

n  Berbanding lurus dengan frekuensi kemunculan term

t_{pada suatu dokumen}d_.

n  Berbanding terbalik dengan banyaknya dokumen yang mengandung suatu term t_.

(16)

tf.idf

Sublinear tf scaling

sehingga

⎩

Beberapa alternatif

tf.idf

Maximum tf normalization

Untuk setiap dokumen d, misalkan

(17)

Boolean

o  Kemunculan suatu term t_{pada dokumen}d _è

b_t,d à [0,1] o  Contoh:

term d1 d2 d3 d4 d5

dari 1 1 1 1 1

database 1 0 0 0 1

dengan 1 1 1 1 1

informasi 1 1 0 0 1

komputer 1 1 0 0 0

struktur 0 1 1 1 1

yang 1 1 1 1 1

Contoh kasus: N=10000

Hitung bobot tf.idf normal

o  Daftar kata dan kemunculannya

o  Banyaknya dokumen yang mengandung kata

harga saham dunia turun investor rugi

D1 3 10 3 0 5 9

D2 7 0 2 4 3 0

D3 1 4 7 6 2 6

D4 6 0 2 7 1 2

harga saham dunia turun investor rugi