TUNING PARAMETER DALAM FUNGSI OKAPI BM25 PADA MESIN PENCARI TEKS BAHASA INDONESIA
TEDY SAPUTRA
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Tuning Parameter dalam Fungsi Okapi BM25 pada Mesin Pencari Teks Bahasa Indonesia adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Juli 2013 Tedy Saputra NIM G64090054
ABSTRAK TEDY SAPUTRA. Tuning Parameter dalam Fungsi Okapi BM25 pada Mesin Pencari Teks Bahasa Indonesia. Dibimbing oleh JULIO ADISANTOSO. Sistem temu-kembali informasi dikembangkan dalam beragam model, seperti model peluang, model bahasa, model boolean,model ruang vektor dan lainnya. Meskipun demikian, masih sulit menetukan model manakah yang paling baik dan efisien dalam setiap kondisi pencarian. Dalam penelitian ini, akan dibandingkan dua mesin pencari yang dibuat dengan menggunakan model peluang dan model ruang vektor sebagai pembandingnya. Pada model peluang, digunakan fungsi kesamaan Okapi BM25 yang memiliki suatu variabel yang dapat diubahubah nilainya, yang disebut dengan tuning parameter. Modifikasi nilai dari tuning parameter ini bertujuan untuk meningkatkan kinerja dari model peluang dan juga sekaligus membandingkan kinerjanya dengan model lain, seperti model ruang vektor. Modifikasi nilai dari tuning parameter meningkatkan nilai rata-rata presisi dari sistem, yang pada awalnya sebesar 0.5885 menjadi 0.5901. Selanjutnya, model peluang juga mengungguli model ruang vektor yang memiliki nilai ratarata presisi sebesar 0.5327. Kata kunci: model peluang, model ruang vektor, Okapi BM25, tuning parameter
ABSTRACT TEDY SAPUTRA. Tuning Parameters in Okapi BM25 Function on Indonesian Text Search Engine. Supervised by JULIO ADISANTOSO. Information retrieval system was developed using various models, such as probabilistic models, language models, boolean models, vector-space models and many more. Thus, it’s problematic to determine which models is the best and the most efficient in every search condition. In this study, two models were developed and compared: probabilistic model and vector-space model. The probabilistic model has Okapi BM25 similarity function with parameters that are subject to fine tuning to seek for better performance. Fine tuning the parameters has made the probabilistic model’s average precision increases from 0.5885 to 0.5901. Further, this model also outperformed the vector-space model with average precision 0.5327. Keywords: Okapi BM25, probabilistic models, tuning parameters, vector space models
TUNING PARAMETER DALAM FUNGSI OKAPI BM25 PADA MESIN PENCARI TEKS BAHASA INDONESIA
TEDY SAPUTRA
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
Penguji: 1. Ahmad Ridha, SKom MS 2. Dr Irman Hermadi, SKom MSc
Judul Skripsi : Tuning Parameter dalam Fungsi Okapi BM25 pada Mesin Pencari Teks Bahasa Indonesia Nama : Tedy Saputra NIM : G64090054
Disetujui oleh
Ir Julio Adisantoso, MKom Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan November 2012 ini ialah temu-kembali informasi, dengan judul Tuning Parameter dalam Fungsi Okapi BM25 pada Mesin Pencari Teks Bahasa Indonesia. Terima kasih penulis ucapkan kepada ayah, ibu, serta seluruh keluarga atas segala doa dan kasih sayangnya. Terima Kasih kepada Bapak Ir Julio Adisantoso MKom selaku pembimbing, Bapak Ahmad Ridha SKom MS dan Bapak Dr Irman Hermadi SKom MSc selaku penguji, juga teman-teman seperjuangan Edo Apriyadi, Achmad Manshur Zuhdi, Rahmatika Dewi, Fitria Rahmadina, Arini Daribti Putri, dan Damayanti Elisabeth Sibarani atas kebersamaannya selama ini. Ungkapan terima kasih juga disampaikan kepada Widya Retno Utami beserta keluarga atas semangat, doa, dan motivasinya selama ini. Semoga karya ilmiah ini bermanfaat.
Bogor, Juli 2013 Tedy Saputra
DAFTAR ISI DAFTAR TABEL
viii
DAFTAR GAMBAR
viii
DAFTAR LAMPIRAN
viii
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
2
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
3
METODE
3
Pengumpulan Dokumen
4
Tokenisasi
4
Pembuangan Stopwords
5
Pemilihan Fitur
5
Pembobotan
6
Similarity
7
Evaluasi
9
HASIL DAN PEMBAHASAN
10
Pemrosesan Dokumen
10
Praproses
11
Similarity
12
Evaluasi
14
Perbandingan Kinerja Model Peluang dengan Model Ruang Vektor
16
SIMPULAN DAN SARAN
18
Simpulan
18
Saran
18
DAFTAR PUSTAKA
18
LAMPIRAN
21
DAFTAR TABEL 1 Confusion Matrix 2 Nilai AVP BM25 sebelum dan sesudah tuning 3 Nilai AVP pada BM25 dan VSM
9 15 17
DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9
Diagram metodologi Contoh dokumen Tabel document pada database Tabel words pada database Implementasi fungsi kesamaan Okapi BM25 Algoritme pada fungsi kesamaan Okapi BM25 Algoritme pada fungsi kesamaan cosine Perbandingan grafik recall-precision BM25 Grafik recall-precision dari BM25 dan VSM
3 4 10 11 13 13 14 15 17
DAFTAR LAMPIRAN 1 Antarmuka implementasi 2 Gugus query dan jawaban 3 Nilai tuning parameter yang akan diujikan 4 Hasil tuning parameter yang diujikan beserta nilai AVP nya 5 Hasil perhitungan precision pada eleven standard recall 6 Precision setiap query pada BM25 7 Precision setiap query pada BM25 dengan tuning tertinggi 8 Precision setiap query pada vector space model
21 22 31 32 33 34 36 38
PENDAHULUAN Latar Belakang Penggunaan internet yang semakin populer saat ini mempengaruhi jumlah informasi yang semakin lama semakin besar keragamannya. Informasi dapat dicari dengan mudah apabila jumlahnya sedikit, akan tetapi sangat sulit untuk mencari banyak informasi yang dibutuhkan dengan waktu yang singkat secara manual. Oleh sebab itu dibutuhkan suatu sistem yang dapat membantu user untuk mendapatkan informasi yang dibutuhkan secara cepat dan mudah yang kemudian disebut dengan sistem temu-kembali informasi (information retrieval system). Sistem temu-kembali informasi (information retrieval system) adalah sistem pencarian informasi pada dokumen, pencarian untuk meta data di dalam database, baik relasi database yang stand-alone atau hypertext database yang terdapat pada jaringan seperti internet (Buckley et al. 1994). Sistem temu-kembali informasi berhubungan dengan pencarian dari informasi yang isinya tidak memiliki struktur. Begitu juga dengan dengan ekspresi dari kebutuhan pengguna yang disebut dengan query, juga tidak memiliki struktur. Hal inilah yang membedakan antara sistem temu-kembali informasi dengan sistem basis data. Penerapan aplikasi dari sistem temu-kembali informasi adalah search engine atau mesin pencari yang terdapat pada jaringan internet (Harman 1992). Mesin pencari (search engine) adalah salah satu sistem temu-kembali informasi yang mengolah informasi dan mengambil daftar, peringkat maupun urutan dari dokumen berdasarkan relevansi antara query dengan dokumen yang dibutuhkan dalam rangka memenuhi pencarian yang dilakukan oleh user. Suatu mesin pencarian harus mampu menggunakan kesamaan (similarity) antara kata pencarian yang diinputkan oleh user dengan setiap dokumen yang ada. Saat ini banyak model-model yang digunakan untuk suatu sistem temukembali informasi, salah satunya adalah model peluang. Sesuai dengan namanya, model peluang bertujuan untuk mengevaluasi setiap kata pencarian (query), berdasarkan peluang suatu dokumen relevan dengan kata pencarian yang diberikan. Model peluang pada sistem temu-kembali informasi menghitung koefisien kesamaan antara sebuah query dengan sebuah dokumen sebagai sebuah peluang bahwa dokumen tersebut akan relevan dengan suatu query. Model peluang akan memberikan nilai peluang pada setiap kata yang menjadi komponen dalam suatu query, dan kemudian menggunakan nilai-nilai tersebut untuk menghitung peluang akhir bahwa suatu dokumen relevan dengan suatu query. Pada model peluang, banyak terdapat fungsi-fungsi kesamaan yang digunakan, yaitu fungsi Best Match (BM) seperti BM1, BM11, BM15, BM25 dan lain sebagainya. Akan tetapi, fungsi OKAPI BM25 merupakan fungsi yang memiliki tingkat keberhasilan terbaik sampai saat ini. BM25 merupakan hasil dari percobaan beberapa variasi fungsi Best Match pada model peluang. BM25 memiliki fungsi yang sesuai dengan 3 prinsip pembobotan yang baik, yaitu memiliki inverse document frequecy (idf), term frequency (tf), dan memiliki fungsi normalisasi dari panjang dokumen (document length normalization) (Chen 2011).
2 Penelitian ini akan difokuskan menggunakan model peluang yang menggunakan fungsi kesamaan OKAPI BM25 dengan melakukan modifikasi pada nilai tuning parameter. Tuning parameter adalah suatu variabel yang dapat diubah-ubah nilainya sesuai dengan kebutuhan dengan tujuan untuk mendapatkan hasil pencarian yang lebih baik. Penelitian ini dilakukan untuk menguji apakah pencarian dengan model peluang dapat menghasilkan banyak dokumen yang relevan terutama untuk dokumen yang menggunakan Bahasa Indonesia. Selain itu akan dibuktikan juga pengaruh dari perubahan tuning parameter yang akan dimodifikasi sedemikian rupa untuk mendapatkan hasil pencarian dengan nilai yang lebih baik. Kemudian akan dibandingkan kinerja dari sistem yang menggunakan model peluang dengan sistem yang menggunakan model lain yaitu model ruang vektor.
Perumusan Masalah Penelitian ini dilakukan untuk menjawab masalah-masalah sebagai berikut: 1 Apakah model peluang dapat mengukur relevansi secara akurat antara query masukan dengan dokumen yang dibutuhkan sehingga hasil pencarian sesuai dengan apa yang user inginkan? 2 Apakah modifikasi dari nilai tuning parameters dalam fungsi kesamaan OKAPI BM25 dapat menghasilkan pencarian dengan hasil evaluasi yang lebih baik? 3 Apakah model peluang lebih baik apabila dibandingkan dengan model ruang vektor? 4 Apakah model peluang cocok digunakan untuk melakukan pencarian pada dokumen yang menggunakan Bahasa Indonesia?
Tujuan Penelitian Penelitian ini bertujuan untuk menguji seberapa besar pengaruh modifikasi nilai dari tuning parameter yang ada dalam fungsi kesamaan OKAPI BM25 terhadap evaluasi dari hasil pencarian. Selain itu juga akan dibandingkan kinerja antara model peluang dengan model lain yaitu model ruang vektor dalam pencarian dokumen yang menggunakan Bahasa Indonesia.
Manfaat Penelitian Dengan dilakukannya penelitian ini, diharapkan dapat diketahui efektifitas dari modifikasi tuning parameter yang ada dalam fungsi OKAPI BM25 terhadap hasil pencarian. Selain itu, dapat ditentukannya model manakah yang lebih baik untuk melakukan pencarian dokumen teks Bahasa Indonesia sehingga mendapatkan hasil pencarian dengan tingkat relevansi yang cukup tinggi.
3 Ruang Lingkup Penelitian Fokus dari penelitian ini adalah menguji dua model sistem temu-kembali informasi, yaitu model peluang dan model ruang vektor. Fungsi kesamaan yang digunakan pada model peluang adalah fungsi kesamaan OKAPI BM25 dengan modifikasi nilai pada tuning parameter. Dokumen yang digunakan dalam penelitian ini adalah dokumen yang menggunakan Bahasa Indonesia.
METODE Sistem temu-kembali informasi pada prinsipnya merupakan suatu sistem yang sederhana. Misalkan terdapat sekumpulan dokumen dan seorang user yang memformulasikan sebuah pertanyaan (query). Jawaban dari pertanyaan atau query tersebut adalah sekumpulan dokumen yang relevan dengan query dari user. Sistem temu-kembali informasi pada dasarnya dibagi menjadi dua komponen utama, yaitu sistem pengindeksan (indexing) yang menghasilkan basis data sistem dan temu-kembali yang merupakan gabungan dari user interface dan look-uptable (Sudirman dan Kodar 2012). Metode pada penelitian ini menggunakan model peluang yang merupakan salah satu model pada temu-kembali informasi. Model peluang tersebut akan dibandingkan dengan model lain yaitu model ruang vektor. Metode yang akan dilakukan pada penelitian ini dicantumkan pada Gambar 1.
Gambar 1 Diagram metodologi
4 Tahapan dari metode diawali dengan pengumpulan dokumen, kemudian dilanjutkan dengan proses indexing. Indexing adalah sebuah proses dimana dilakukan pengindeksan pada sekumpulan dokumen yang nantinya akan menjadi informasi yang ditujukan untuk user. Indexing dapat dilakukan secara manual maupun secara otomatis. Adapun tahapan dari indexing terdiri dari tokenisasi, pembuangan stopwords, pemilihan fitur, dan pembobotan (term weighting). Selanjutnya adalah melihat similarity, yaitu kesamaan hasil yang didapatkan dari dokumen dengan query yang dimasukkan. Tahap akhir yang dilakuan adalah melakukan evaluasi dari kedua model tersebut.
Pengumpulan Dokumen Tahapan awal yang dilakukan adalah melakukan pengumpulan dokumen yang akan dijadikan sebagai data uji dari penelitian ini. Dokumen yang digunakan adalah kumpulan dokumen (korpus) yang tersedia di Laboratorium TemuKembali Informasi hasil penelitian Adisantoso dan Ridha (2004). Di dalam korpus tersebut tersedia 1000 dokumen pertanian berbahasa Indonesia berikut dengan sejumlah query dan gugusan jawaban yang relevan dengan query tersebut. Query dan gugus jawaban yang relevan dicantumkan pada Lampiran 2. Selain itu ditambahkan juga dokumen lain yang didapatkan dari berbagai portal berita secara online yang berjumlah 300 dokumen. Total dokumen yang digunakan adalah 1300 dokumen yang memiliki format plain teks dengan struktur XML (Extensible Markup Language). Contoh dokumen yang digunakan dapat dilihat pada Gambar 2.
Gambar 2 Contoh dokumen Tokenisasi Tokenisasi adalah proses memotong teks input menjadi unit-unit terkecil yang disebut token dan pada saat yang sama dimungkinkan untuk membuang karakter tertentu, seperti tanda baca (Manning et al. 2008). Token tersebut dapat berupa suatu kata, angka, atau suatu tanda baca. Proses ini bertujuan untuk mempermudah dalam mengetahui frekuensi kemunculan tiap token pada suatu dokumen. Pada umumnya token yang dipakai pada suatu teks input adalah kata
5 (term). Kata adalah sekumpulan karakter alfanumerik yang saling terhubung dan dipisahkan oleh whitespace, di antaranya adalah spasi, tab, dan newline. Proses tokenisasi dilakukan dengan bantuan Sphinx Search karena tokenisasi dengan Sphinx tergolong mudah dan cepat dalam prosesnya. Selain itu Sphinx juga mendukung pemrosesan dokumen yang berasal dari database. Sphinx Search digunakan hanya pada saat proses tokenisasi dan pada proses pembobotan yaitu mencari nilai dari Term Frequency (TF).
Pembuangan Stopwords Proses tokenisasi merupakan proses yang sangat penting dalam indexing. Setiap token didaftar dan dihitung frekuensi kemunculannya pada suatu dokumen. Dalam proses tokenisasi akan terlihat kata mana saja yang sering muncul dan kata mana saja yang jarang muncul dalam dokumen yang di tokenisasi. Untuk stopwords pada dokumen Bahasa Indonesia seperti dan, yang, tetapi, sedangkan, sebagaimana, selanjutnya dan lainnya dapat dipastikan bahwa kemunculan katakata tersebut akan banyak sekali ditemukan. Kata-kata tersebut juga bukanlah merupakan kata yang penting. Oleh sebab itu proses indexing selanjutnya adalah proses pembuangan kata-kata yang tidak dapat dijadikan sebagai penciri dari suatu dokumen yang disebut dengan stopwords. Stopwords yang terdapat di dalam Bahasa Indonesia sangat banyak jumlahnya. Stopwords tersebut bisa berasal dari kata hubung, kata awalan, kata penegasan dan lain sebagainya. Stopwords yang digunakan pada penelitian ini sudah merupakan satu package dengan korpus yang tersedia pada Laboratorium Temu Kembali Informasi Ilmu Komputer IPB. Stopwords yang digunakan tersebut berjumlah sekitar 732 kata.
Pemilihan Fitur Berdasarkan pernyataan dari Luhn (1958) atau yang biasa dikenal sebagai Luhn Ideas, bahwa kata-kata yang paling umum dan paling tidak umum adalah tidak signifikan untuk indexing. Kata-kata yang tidak dapat dijadikan sebagai penciri dari suatu dokumen adalah kata-kata yang kemunculannya sangat sering dan juga kata-kata yang kemunculannya sangat jarang pada sebuah dokumen. Oleh sebab itu kata-kata dengan frekuensi kemunculan yang cukup merupakan kata-kata yang paling baik digunakan sebagai penciri dari suatu dokumen. Pemilihan fitur (feature selection) adalah tahapan dimana term yang didapatkan dari hasil tokenisasi dan telah melalui proses pembuangan stopwords diseleksi kembali berdasarkan frekuensi kemunculan dari kata-kata tersebut. Selain stopwords yang sudah jelas bukan merupakan kata yang penting, masih ada kata-kata lain yang bisa diseleksi kembali. Kata-kata tersebut adalah kata-kata yang bukan merupakan kata yang penting dan tidak dapat dijadikan sebagai ciri pada sebuah dokumen. Dengan dilakukannya pemilihan fitur maka kata yang akan diindeks menjadi lebih sedikit sehingga akan mengurangi beban perhitungan pada
6 pembobotan kata. Berkurangnya jumlah indeks juga mempengaruhi kecepatan dari proses information retrieval itu sendiri.
Pembobotan Pembobotan merupakan proses pemberian bobot/nilai pada term yang ada pada dokumen. Tujuan dari pembobotan adalah untuk memberikan suatu nilai pada suatu term dimana nilai tersebut nantinya akan merepresentasikan kemiripan (similarity) dari suatu query dengan suatu dokumen. Metode pembobotan yang digunakan pada sistem temu-kembali informasi berbeda-beda dan sangat beragam. Metode pembobotan yang umum dan paling sering digunakan adalah metode pembobotan berdasarkan term frequency (TF) dan inverse document frequency (IDF). TF adalah teknik pembobotan dimana kemunculan dari suatu term diperhitungkan dalam suatu dokumen d. Dengan kata lain, bobot dari term tersebut adalah bergantung dari seberapa banyak term tersebut muncul dalam suatu dokumen d (Manning et al. 2008). Teknik pembobotan term frequency menjadi tidak konsisten ketika suatu dokumen memiliki panjang dokumen yang berbeda-beda. Dokumen dengan panjang dokumen yang lebih besar otomatis akan memiliki frekuensi kemunculan term yang lebih banyak dibandingkan dengan dokumen yang panjangnya lebih sedikit. Padahal belum tentu term yang sering muncul itu merupakan kata penciri dari dokumen tersebut. IDF merupakan suatu teknik pembobotan dengan memperhitungkan jumlah dokumen yang memiliki term t serta membandingkannya dengan jumlah dokumen yang ada secara keseluruhan. IDF dicari dengan menggunakan rumus sebagai berikut: Idft = log
N 𝑛t
dengan Idft adalah nilai IDF untuk term t, N adalah jumlah dokumen dalam koleksi, dan nt adalah jumlah dokumen yang memiliki term t. Dari kedua pembobotan tersebut, terbentuklah sistem pembobotan gabungan yang dikenal dengan pembobotan tf.idf, yaitu penggabungan antara TF dan IDF dengan mengalikan kedua rumusnnya sebagai berikut: (tf.idf)t,d = fd,t × idft dengan (tf.idf)t,d adalah nilai tf.idf dari term t pada dokumen d, fd,t adalah jumlah term t pada dokumen d, dan idft adalah nilai idf dari term t. Dengan kata lain, (tf.idf)t,d menandakan bahwa term t pada dokumen d adalah : 1 Tertinggi ketika t muncul berkali-kali dalam sejumlah kecil dokumen. 2 Rendah ketika t muncul lebih sedikit dalam suatu dokumen atau muncul pada banyak dokumen. 3 Terendah ketika t muncul pada hampir setiap dokumen (Manning et al. 2008).
7 Similarity Proses selanjutnya setelah dilakukan pembobotan adalah similarity. Nilainilai yang didapatkan dari proses pembobotan akan digunakan kembali pada perhitungan dari similarity. Nilai-nilai dari perhitungan similarity tersebut akan membentuk suatu sistem ranking, yang akan mengurutkan dokumen-dokumen berdasarkan tingkat kemiripan tertinggi ke tingkat kemiripan terendah. Ranking adalah mekanisme pengurutan dokumen-dokumen berdasarkan tingkat relevansi antara dokumen dengan query yang diberikan oleh pengguna. Adanya proses similarity dan sistem ranking menyebabkan adanya kecenderungan dari sistem temu-kembali informasi untuk mengarah kepada suatu model information retrieval (IR). Penentuan ataupun perhitungan similarity dari suatu mesin pencari didasarkan pada suatu model IR tertentu. Model dari IR beragam jenisnya seperti model peluang, model ruang vektor, model boolean, model bahasa, dan modelmodel lainnya. Penelitian ini hanya akan membahas pada model peluang dan model ruang vektor. Model Ruang Vektor Model yang sering digunakan dalam temu-kembali informasi adalah model ruang vektor (vector space model). Model ruang vektor adalah model yang berbasis token. Pada model ruang vektor dimungkinkan adanya partial matching sehingga model ini juga dapat mengenali dokumen yang agak relevan dengan query. Selain itu, pada model ruang vektor juga telah mendukung adanya pemeringkatan dokumen berdasarkan kemiripannya. Model pemeringkatan yang dilakukan adalah dengan melakukan scoring pada dokumen. Dokumen diurutkan berdasarkan kerelevanannya dari yang paling relevan ke yang paling tidak relevan. Untuk dokumen yang memiliki score paling tinggi, dokumen itulah yang paling relevan dengan query yang diberikan, begitupun sebaliknya. Model ruang vektor menentukan kemiripan (similarity) antara dokumen dengan query dengan cara merepresentasikannya ke dalam bentuk vektor. Tiap kata yang ditemukan pada dokumen dan query diberi bobot dan disimpan sebagai elemen dari sebuah vektor. Model ruang vektor menggunakan ukuran kesamaan cosine (cosine similarity) yang digunakan untuk menghitung kemiripan antara dokumen dan query masukan yang terdiri atas beberapa term. Sebagai contoh terdapat query q dan dokumen d, maka ukuran kesamaan cosine antara query dan dokumen adalah: sim(q,d) =
�V⃗q ∙ �V⃗d �⃗q � × �V �⃗d � �V
(1)
dengan �V⃗q adalah nilai tf.idf untuk query, �V⃗d adalah nilai tf.idf untuk dokumen, �⃗d � adalah panjang Euclid dokumen. ��V⃗q � adalah panjang Euclid query, dan �V Nilai tf.idf untuk query dan dokumen dicari dan kedua nilai tersebut dikalikan. Hasil perkalian dari kedua nilai tersebut dinormalisasi dengan cara membaginya dengan hasil perkalian antara panjang Euclid untuk query dan
8 dokumen. Nilai terbesar dari perhitungan kesamaan cosine diatas menandakan bahwa query dekat dengan dokumen tersebut. Model Peluang Model peluang, sesuai dengan namanya bertujuan untuk mengevaluasi dari setiap kata pencarian (query), berapakah kemungkinan dokumen tersebut relevan dengan query yang diberikan. Model peluang menghitung kesamaan antara sebuah query dengan sebuah dokumen sebagai sebuah peluang bahwa dokumen tersebut akan relevan dengan query tersebut. Nilai peluang akan diberikan pada setiap kata yang menjadi komponen suatu query, kemudian menyatukan setiap nilai-nilai tersebut untuk menghitung suatu nilai peluang akhir yang akan menunjukkan besar atau kecilnya relevansi antara query dengan suatu dokumen. Semakin besar nilai peluang yang dihasilkan, semakin besar pula peluang dari query tersebut relevan dengan suatu dokumen. Penelitian ini difokuskan menggunakan model peluang yang menggunakan fungsi kesamaan OKAPI BM25 dengan melakukan modifikasi pada nilai Tuning parameter. Tuning parameter adalah suatu variabel yang dapat diubah-ubah nilainya sesuai dengan kebutuhan dengan tujuan untuk mendapatkan hasil pencarian yang lebih baik. Fungsi kesamaan OKAPI BM25 adalah sebagai berikut: BM25 = � log tϵQ
(N-nt ) (k1 +1)fd,t (k3 +1)fq,t ∙ ∙ nt K + fd,t k3 + fq,t
(2)
dan K = k1 ∙ �(1-b) +
b.dld � avl
(3)
dengan Q adalah query, N adalah jumlah dokumen dalam korpus, nt adalah jumlah dokumen yang mengandung term t, fd,t adalah jumlah term t yang muncul pada dokumen d, fq,t adalah jumlah term t yang muncul pada query q, dld adalah jumlah term dalam dokumen d, avl adalah panjang rata-rata seluruh dokumen dalam korpus, dan k1, k3, b adalah tuning parameter. Seperti terlihat dalam rumus OKAPI BM25 terdapat variabel yang disebut tuning parameter, yaitu k1, k3, dan b. Adapun nilai tuning parameter yang direkomendasikan oleh Robertson dan Walker (1999) yang telah terbukti efektif dan memberikan keakuratan yang baik yaitu: k1 = 1,2; k3 = 1000; b = 0,75. Nilai tersebut akan diubah-ubah sesuai dengan kebutuhan sehingga dapat menghasilkan pencarian dengan skor kesamaan yang lebih baik. Menurut Robertson dan Walker (1999), nilai k1 dan b masing-masing di set default 1.2 dan 0.75, akan tetapi nilai dari b yang lebih kecil terkadang dapat menguntungkan. Oleh karena itu, nilai dari b yang akan di tuning mulai dari 0.75 sampai dengan yang paling kecil yaitu 0.15 dengan interval 0.15. Untuk nilai dari k1 yang awalnya bernilai 1.2, akan di tuning dengan nilai antara 1.0 sampai dengan 2.0 dengan interval 0.2.
9 Sementara itu, nilai k3 untuk query yang panjang, Robertson dan Walker (1999) menyarankan dengan nilai 1000 atau 7. Oleh karena pencarian yang dilakukan dihitung berdasarkan dari jumlah kata dari query yang dimasukkan dan query yang digunakan merupakan query pendek, maka query masukkan tidak memungkinkan adanya kata yang berulang. Maka, nilai dari k3 relatif konstan apabila di set dengan nilai 1000 maupun 7. Oleh karena hal tersebut, nilai dari k3 dibiarkan menjadi 1000 tanpa dilakukan perubahan. Proses tuning yang akan dilakukan sebanyak 30 kali dan dicantumkan pada Lampiran 3.
Evaluasi Terdapat dua hal mendasar yang paling sering digunakan untuk mengukur kinerja temu-kembali secara efektif, yaitu recall dan precision (Manning et al. 2008). Precision (P) adalah bagian dari dokumen yang di retrieve adalah relevan, sedangkan recall (R) adalah bagian dari dokumen relevan yang di retrieve. Perhitungan dari recall (R) dan precision (P) ditunjukkan dalam Tabel 1. Tabel 1 Confusion Matrix Relevant tp fn
Retrieved Not Retrieved
Not Relevant fp tn
Sehingga perhitungan dari Precision dan Recall adalah sebagai berikut: Precision =
tp (tp + fp)
Recall =
tp (tp + fn)
dengan tp adalah jumlah dokumen relevan yang di retrieve, fp adalah jumlah dokumen tidak relevan yang di retrieve, dan fn adalah jumlah dokumen relevan yang tidak di retrieve. Menurut Baeza-Yates dan Ribeiro-Neto (1999), temu-kembali yang dievaluasi menggunakan beberapa kueri berbeda akan menghasilkan nilai Recall dan Precision yang berbeda untuk masing-masing query. Average Precision (AVP) dengan interpolasi maksimum diperlukan untuk menghitung rata-rata precision pada berbagai 11 tingkat recall, yaitu dari tingkat recall 0 sampai dengan 1. Perhitungan AVP ditunjukkan oleh rumus sebagai berikut: Nq
P� (rj ) = � i=1
Pi (r) Nq
�(rj ) adalah nilai AVP pada tingkat recall r, Nq adalah jumlah query dengan P yang digunakan, dan Pi (r) adalah nilai precision pada level recall r untuk query ke-i. Dari setiap percobaan tuning yang dilakukan akan dilakukan evaluasi untuk setiap 30 query yang digunakan sehingga akan didapatkan perbandingan nilai
10 AVP. Dengan didapatkannya nilai AVP pada setiap nilai tuning, dapat diketahui berapakah nilai yang menghasilkan evaluasi dengan nilai AVP paling tinggi.
HASIL DAN PEMBAHASAN Pemrosesan Dokumen Dokumen yang digunakan untuk pengujian berjumlah 1300 dokumen. Sebanyak 1000 dokumen pertanian berasal dari korpus yang tersedia di Laboratorium Temu-Kembali Informasi dan 300 dokumen lainnya yang ditambahkan berasal dari portal berita online. Dokumen yang digunakan berformat plain text dengan struktur XML (Extensible Markup Language). Dokumen dikelompokkan menjadi tag-tag sebagai berikut: • • • •
<document_id=’1’>, menunjukkan ID dari dokumen. <doc-no>, menunjukkan nama file.
, menunjukkan judul dari dokumen.
, menunjukkan isi dari dokumen.
Dokumen-dokumen tersebut kemudian dimasukkan ke dalam database MySql sehingga akan terbentuk sebuah tabel yang bernama document. Tabel document tersebut memiliki field sesuai dengan tag-tag yang ada pada dokumen, seperti terlihat pada Gambar 3. Pada tabel document terdapat field tambahan yaitu total_words dan euclid. Angka-angka tersebut akan digunakan selanjutnya pada proses similarity model peluang dan model ruang vektor.
Gambar 3 Tabel document pada database
11 Selain dokumen yang telah disiapkan, pada 1000 dokumen pertanian tersebut juga telah tersedia 30 query yang akan digunakan dalam pencarian, berikut dengan daftar dokumen yang relevan dari query-query tersebut. Queryquery tersebut akan digunakan untuk melakukan pada proses similarity pada model peluang maupun model ruang vektor.
Praproses Tokenisasi Setelah dokumen dimasukkan ke dalam database, kemudian dilakukan tokenisasi. Proses tokenisasi dilakukan dengan bantuan Sphinx Search karena tokenisasi dengan Sphinx tergolong mudah dan cepat dalam prosesnya. Selain itu, Sphinx juga mendukung pemrosesan dokumen yang berasal dari database. Sebelum dilakukan proses indexing, terlebih dahulu dilakukan konfigurasi pada Sphinx. File konfigurasi untuk Sphinx yang digunakan adalah file sphinxmin.conf.in. Pada file konfigurasi ini terdapat pengaturan koneksi database dan pengaturan lainnya termasuk jumlah minimal huruf pada kata yang akan diindeks. Kata yang diindeks adalah kata yang memiliki jumlah minimal 3 huruf, sehingga untuk kata yang kurang dari 3 huruf tidak akan ikut terindeks. Setelah service dari Sphinx dibuat dan koneksi ke database untuk tabel document telah dibuat pada file konfigurasi Sphinx, proses indexing dapat dilakukan. Pada akhirnya didapatkan indeks kata yang berasal dari 1300 dokumen yang berada pada tabel document di dalam database. Setiap term yang telah diindeks akan dimasukkan ke dalam tabel words pada database. Pada tabel words terdapat seluruh kata yang terindeks, berikut id dan jumlah kemunculan term tersebut pada seluruh dokumen yang ada. Tabel words pada database dapat dilihat pada Gambar 4.
Gambar 4 Tabel words pada database
12 Pembuangan Stopwords File yang berisi stopwords telah tersedia sebelumnya dan berjumlah 732 kata stopwords. Setiap kata stopwords tersebut dimasukkan ke dalam tabel bernama stopwords. Kemudian pada tabel words, akan dibuat 1 field baru dengan nama stopwords yang akan berisi angka 0 dan 1. Angka 0 menunjukkan bahwa kata tersebut merupakan kata stopwords yang terdapat pada tabel stopwords sedangkan angka 1 menunjukkan bahwa kata tersebut bukanlah suatu stopwords. Untuk kata yang memiliki angka 0 pada field stopwords akan dihapus sehingga kata yang tersisa sudah tidak ada lagi kata stopwords. Akan tetapi, masih terdapat kata-kata yang mengandung angka, seperti tahun, tanggal lahir, dan kata yang mengandung angka lainnya. Kata yang mengandung angka tersebut tidak diperlukan karena pada query yang digunakan, tidak ada query yang mengadung angka. Angka-angka yang ikut terindeks tersebut dihilangkan secara manual (di delete) dari dalam database satu per satu sehingga tidak ditemukan lagi kata yang memiliki unsur angka di dalam database. Pemilihan Fitur Pada penelitian ini, metode pemilihan fitur yang digunakan adalah dengan menggunakan Inverse Document Frequency (IDF). Nilai IDF dari sekumpulan indeks kata akan dicari, sehingga akan terlihat kata mana saja yang memiliki nilai IDF yang besar dan yang kecil. Dari nilai tersebut, akan ditentukan nilai batas (threshold) untuk kata yang memiliki nilai IDF yang kecil. Nilai threshold yang digunakan adalah 0.15. Untuk kata dengan nilai IDF < 0.15 akan dibuang. Untuk nilai IDF yang melebihi nilai threshold akan dipertahankan untuk selanjutnya dilakukan proses pembobotan dan similarity. Pembobotan Pembobotan yang dilakukan adalah dengan menghitung tf, idf, dan tf.idf. untuk nilai dari tf dan idf dihitung dengan menggunakan bantuan Sphinx Search. Nilai dari tf dan idf tersebut selanjutnya digunakan untuk mencari nilai dari tf.idf. Nilai-nilai tersebut dimasukkan ke dalam database MySql untuk selanjutnya digunakan pada perhitungan berikutnya. Nilai dari tf dimasukkan ke dalam tabel bernama tf dan nilai idf dimasukkan ke dalam tabel dengan nama idf, sedangkan untuk nilai dari tf.idf ikut dimasukkan ke dalam tabel tf. Nilai yang didapatkan pada proses pembobotan ini selanjutnya akan digunakan pada proses similarity, baik pada model peluang maupun model ruang vektor. Nilai pembobotan sudah tersedia untuk semua term yang ada pada seluruh dokumen yang terindeks, oleh sebab itu, proses perhitungan pada bagian similarity dapat langsung dilakukan dengan query pengujian yang telah tersedia.
Similarity Proses perhitungan similarity berbeda untuk tiap model. Pada model peluang, similarity dihitung dengan menggunakan fungsi kesamaan Okapi BM25, sedangkan untuk model ruang vektor dihitung dengan menggunakan fungsi kesamaan cosine (cosine similarity).
13 Similarity Model Peluang Implementasi dari fungsi kesamaan Okapi BM25 dilakukan dengan bantuan nilai-nilai yang telah ada pada database sebelumnya. Seperti dapat dilihat pada fungsi (2) tersebut terbagi atas 3 bagian. Bagian pertama sebenarnya merupakan rumus dari idf yang mengalami sedikit modifikasi. Nilai dari bagian pertama tersebut dihitung terlebih dahulu untuk setiap term, dan kemudian dimasukkan ke dalam database dengan field bernama idf_modif. Sementara itu, bagian kedua merupakan perhitungan yang berhubungan dengan dokumen, dan bagian ketiga merupakan perhitungan yang berhubungan dengan query. Nilai dari avl atau panjang rata-rata seluruh dokumen dalam korpus dapat dicari dengan menghitung keseluruhan jumlah kata pada korpus, kemudian membaginya dengan jumlah dari seluruh dokumen. Sedangkan untuk dld atau jumlah term dalam dokumen dapat dicari terlebih dahulu. Pada tabel document akan ditambahkan field yang berisi jumlah kata dalam dokumen tersebut. Kemudian, fungsi kesamaan Okapi BM25 dapat dihitung dengan persamaan pada Gambar 5. $K = $k1*((1-$b)+$b*$total_document_words->total_words/$avl); $part1 = $idf_modif->idf; $part2 = (($k1+1)*$t->tf)/($K+$t->tf); $part3 = (($k3+1)*1)/($k3+1); $bm25 = $part1*$part2*$part3;
Gambar 5 Implementasi fungsi kesamaan Okapi BM25 Pada saat dimasukkan query yang tersedia, akan didapatkan skor kesamaan dari perhitungan tersebut untuk tiap-tiap dokumen yang dianggap relevan dengan query oleh sistem. Hasil pencarian pada setiap query ini akan dilakukan evaluasi pada tahap selanjutnya. Algoritme dari fungsi kesamaan Okapi BM25 secara garis besar ditunjukkan pada Gambar 6. 1 2 3 4 5 6
7
8 9
Input query q. Pisahkan query q menjadi satu kata query q1, q2, q3, dst. Proses q1 dengan mencari nilai IDF, TF dokumen, dan TF query nya sesuai dengan fungsi Okapi BM25. Kalikan IDF, DF, dan TF yang didapatkan pada q1 tersebut sehingga didapatkan skor kesamaan untuk satu kata query. Ulangi langkah 3 sampai 4 untuk q2, q3, dst. Jumlahkan setiap hasil yang didapatkan dari q1, q2, q3 dst tergantung banyaknya jumlah kata pada query, sehingga didapatkan skor keseluruhan untuk 1 query pencarian. Didapatkan skor kesamaan untuk suatu query, sehingga dapat ditentukan dokumen hasil pencarian yang dianggap relevan dengan query tersebut. Urutkan dokumen hasil pencarian berdasarkan skor tertinggi ke skor terendah. Dokumen yang telah diurutkan dapat ditampilkan pada sistem.
Gambar 6 Algoritme pada fungsi kesamaan Okapi BM25
14 Algoritme pada Gambar 6 adalah algoritme untuk satu query. Proses tersebut harus dilakukan untuk ke 30 query yang diujikan, sehingga dapat dilakukan evaluasi untuk seluruh query berdasarkan hasil dari skor kesamaan yang didapatkan tersebut. Similarity Model Ruang Vektor Sesuai dengan fungsi (1), terlebih dahulu dilakukan perkalian antara nilai tf.idf dari query dengan tf.idf dari dokumen yang relevan dengan query masukan. Kemudian hitung panjang Euclid setiap dokumen yang relevan dan panjang Euclid dari query. Panjang Euclid dihitung dengan mengkuadratkan bobot (tf.idf) setiap term dalam setiap dokumen, kemudian dijumlahkan sesuai dengan document_id yang sama, dan terakhir nilai hasil penjumlahan tersebut diakarkan. Algoritme dari fungsi kesamaan cosine ditunjukkan pada Gambar 7. Nilai dari tf.idf kuadrat dapat dimasukkan ke dalam database, begitu juga dengan panjang Euclid untuk setiap dokumen. Dengan telah tersedianya nilai tf.idf kuadrat dan panjang Euclid pada database, diharapkan proses perhitungan pada cosine similarity dapat menjadi lebih cepat. Proses pada Gambar 7 dilakukan untuk semua dokumen yang diujikan, sehingga dari skor kesamaan tersebut, dapat memunculkan dokumen hasil pencarian yang kemudian akan dilakukan evaluasi untuk mengetahui kinerja dari sistem tersebut. 1 2 3
4 5
6 7 8
9
Input query q. Pisahkan query q menjadi satu kata query q1, q2, q3, dst. Proses q1 dengan melakukan perkalian skalar antara bobot q1 dengan bobot setiap dokumen yang dianggap relevan oleh sistem. Lakukan langkah 3 untuk semua kata pada query kemudian jumlahkan hasil perkalian tiap kata query dengan dokumen. Hitung panjang Euclid dari dokumen, termasuk panjang Euclid dari query yaitu dengan menguadratkan bobot setiap term dalam dokumen maupun query, dijumlahkan, kemudian terakhir diakarkan. Lakukan perkalian dari panjang Euclid yang didapatkan pada query dan panjang Euclid dari dokumen. Lakukan pembagian antara hasil pada langkah 4 dengan hasil yang didapatkan pada langkah 6. Urutkan skor kesamaan yang didapatkan mulai dari skor yang tertinggi hingga terendah sehingga didapatkan urutan dokumen hasil pencarian. Dokumen hasil pencarian dapat ditampilkan di sistem dengan memanggil id maupun judul dari dokumen tersebut.
Gambar 7 Algoritme pada fungsi kesamaan cosine
Evaluasi Setelah dilakukan proses similarity dan didapatkan skor kesamaan antara query dengan dokumen yang ada, selanjutnya dilakukan proses evaluasi. Proses evaluasi dilakukan dengan mencari nilai precision dan nilai recall. Pada model peluang, proses tuning dilakukan terhadap nilai dari k1 dan b.
15 Setiap perubahan nilai dari k1 dan b dilakukan proses evaluasi terhadap 30 query yang diujikan. Untuk setiap query, dihitung nilai precision pada setiap nilai recall standar (eleven standard recall), yaitu 0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, dan 1.0. Setelah didapatkan nilai precision pada sebelas nilai recall standar dengan interpolasi masksimum untuk setiap query, dilanjutkan dengan mencari nilai average precision (AVP). Nilai inilah yang digunakan untuk mengetahui kinerja dari setiap perubahan nilai k1 dan b yang diujikan. Nilai AVP dari setiap pengujian nilai k1 dan b akan dibandingkan untuk mencari nilai k1 dan b yang manakah yang menghasilkan nilai yang paling tinggi. Untuk hasil evaluasi pada fungsi BM25 tanpa tuning yaitu dengan nilai k1 = 1.2 dan b = 0.75 didapatkan nilai average precision (AVP) sebesar 0.5885. Nilai AVP untuk BM25 sebelum dan sesudah dilakukan tuning dicantumkan pada Tabel 2. BM25 Tuning tersebut adalah nilai tuning parameter yang menghasilkan nilai AVP paling besar dari yang lainnya. Nilai AVP dari seluruh tuning parameter yang diujikan dicantumkan pada Lampiran 4. Grafik perbandingan evaluasi BM25 sebelum dan sesudah dilakukan perubahan tuning parameter ditunjukkan pada Gambar 8. Tabel 2 Nilai AVP BM25 sebelum dan sesudah tuning Model BM25 BM25 tuning
AVP 0.5885 0.5901
Gambar 8 Perbandingan grafik recall-precision BM25 sebelum dan sesudah dilakukan tuning Tuning yang dilakukan pada saat k1 = 1.0 dan b = 0.45 mempunyai nilai AVP yang paling besar dibandingkan dengan yang lainnya, yaitu sebesar 0.5901. Tuning yang dilakukan meningkatkan nilai sebesar 0.0016 dari nilai AVP semula. Nilai ini menunjukkan angka yang tidak terlalu jauh dari nilai AVP pada BM25
16 sebelum dilakukan tuning. Hal ini disebabkan oleh perubahan dari nilai k1 dan b yang sangat berpengaruh terhadap panjang dokumen yang digunakan pada korpus. Seperti dapat dilihat pada rumus (2) dan rumus (3), nilai dari k1 berhubungan langsung dengan fungsi dari frekuensi kemunculan suatu kata dalam dokumen sedangkan nilai dari b berhubungan langsung dengan rumus (2), yaitu fungsi normalisasi dari panjang dokumen. Nilai tuning terbesar adalah pada saat k1 = 1.0 dan b = 0.45 yang mengartikan bahwa fungsi tersebut hanya menggunakan 0.45 atau sekitar setengah dari panjang dokumen yang ada pada korpus sebagai pengaruh terhadap hasil perhitungan. Apabila b mempunyai nilai 1, maka menandakan fungsi akan menggunakan keseluruhan pengaruh panjang dokumen yang ada pada korpus sebagai hasil perhitungan. Nilai k1 = 1.0 menandakan fungsi tidak menambahkan pengaruh porsi term dalam suatu dokumen. Untuk nilai dari k3 tidak diperhitungkan karena penelitian ini menggunakan query pendek yang tidak memungkinkan adanya kata yang berulang. Seperti diketahui, dokumen yang digunakan pada penelitian ini berjumlah 1300 dokumen yang seluruhnya merupakan dokumen berita yang ada di koran maupun yang ada di internet. Ini berarti dokumen dalam korpus memiliki jumlah kata untuk tiap dokumen yang tidak terlalu berbeda jauh, karena dokumen berita biasanya tidak akan terlalu panjang dan tidak juga terlalu pendek. Oleh karena dokumen yang digunakan relatif sama dalam hal panjang dokumennya, maka tuning yang dilakukan tidak akan memberikan peningkatan nilai AVP yang terlalu jauh dari nilai AVP awal. Perlu dilakukan tuning dengan menggunakan korpus yang lebih bervariasi untuk membuktikan pengaruh panjang dokumen terhadap hasil perubahan tuning parameter. Selain dari hal tersebut, tidak dapat dipungkiri bahwa nilai tuning parameter yang disarankan oleh Robertson dan Walker (1999) merupakan nilai tuning parameter yang sudah terbukti efektif pada beberapa kondisi pencarian, seperti panjang dokumen dan panjang query yang berbeda-beda. Oleh karena itu, tuning yang dilakukan pun memang semestinya tidak diubah terlalu jauh dari nilai yang disarankan tersebut. Meskipun demikian, proses modifikasi dari tuning parameter yang dilakukan sudah berhasil dilakukan karena terbukti mampu meningkatkan nilai AVP dari model peluang yang menggunakan fungsi kesamaan Okapi BM25. Nilai precision dari tiap query pada eleven standard recall untuk model peluang sebelum dan sesudah dilakukan tuning dapat dilihat pada Lampiran 6 dan Lampiran 7.
Perbandingan Kinerja Model Peluang dengan Model Ruang Vektor Setelah didapatkan kinerja dari model peluang, langkah berikutnya adalah membandingkan kinerjanya dengan model lain, yaitu model ruang vektor. Perbandingan kinerja antara model peluang dan model ruang vektor ditunjukkan oleh nilai AVP pada Tabel 3 dan juga pada grafik recall-precision yang terdapat pada Gambar 9.
17 Tabel 3 Nilai AVP pada BM25 dan VSM Model BM25 VSM
AVP 0.5885 0.5327
Nilai AVP di atas menunjukkan bahwa model peluang memiliki kinerja yang lebih baik dibandingkan dengan model ruang vektor. Hal ini menunjukkan bahwa secara rata-rata pada tiap recall point, 59% hasil temu-kembali pada model peluang relevan dengan query. Hasil ini lebih unggul dibandingkan dengan model ruang vektor yang memiliki nilai 53%. Perhitungan setiap query pada eleven standard recall pada model ruang vektor dapat dilihat pada Lampiran 8. Selain itu, pada query yang kompleks (lebih dari 2 kata) maupun query yang sederhana (1-2 kata), model peluang juga menghasilkan lebih banyak dokumen yang relevan sehingga menghasilkan nilai AVP yang lebih tinggi dibandingkan dengan model ruang vektor. Perbandingan nilai AVP dari model peluang dengan model ruang vektor pada eleven standard recall dapat dilihat pada Lampiran 5. Karena secara garis besar hasil evaluasi pada model peluang lebih baik dibandingkan dengan model ruang vektor, maka dapat dikatakan pula bahwa model peluang cukup baik digunakan untuk melakukan pencarian dokumen yang menggunakan Bahasa Indonesia.
Gambar 9 Grafik recall-precision dari BM25 dan VSM
18
SIMPULAN DAN SARAN Simpulan Hasil penelitian ini menunjukkan bahwa: Telah dilakukannya proses modifikasi nilai dari tuning parameter yang ada pada fungsi kesamaan Okapi BM25 yang terdapat pada model peluang. Nilai AVP dari model peluang sebelum dilakukan tuning yaitu 0.5885, sedangkan setelah dilakukan tuning nilai AVP yang terbesar yaitu 0.5901. 2 Telah dilakukan perbandingan kinerja antara model peluang dengan model ruang vektor. Perbandingan kedua model ini ditunjukkan oleh nilai AVP dari model peluang standar adalah sebesar 0.5885, sedangkan untuk model ruang vektor, nilai AVP yang didapat adalah sebesar 0.5327. Dari perbandingan nilai AVP tersebut, dapat disimpulkan bahwa model peluang memiliki kinerja yang lebih baik dibandingkan dengan model ruang vektor untuk pencarian dokumen yang menggunakan Bahasa Indonesia. 1
Saran Terdapat beberapa hal yang dapat ditambahkan ataupun diperbaiki untuk penelitian-penelitian selanjutnya, diantaranya: 1 Mengembangkan sistem dengan menggunakan dokumen yang lebih beragam, contohnya seperti menggunakan korpus dengan dokumen yang memiliki panjang dokumen yang berbeda-beda. 2 Melakukan pengujian dengan query yang berbeda, lebih beragam, dan terdiri dari banyak kata. 3 Melakukan modifikasi dari tuning parameter dengan nilai k1, k3, dan b yang lebih beragam sehingga memungkinkan didapatkannya nilai AVP yang lebih baik.
DAFTAR PUSTAKA Adisantoso J, Ridha A. 2004. Korpus dokumen teks bahasa Indonesia untuk pengujian efektivitas temu-kembali informasi. Di dalam: Laporan Akhir Hibah Penelitian SP4. Bogor (ID): Institut Pertanian Bogor. Baeza-Yates R, Ribeiro-Neto B. 1999. Modern Information Retrieval. England: Addison Wesley. Buckley C, Salton G, Allan J. 1994. The effect of adding relevance information in a relevance feedback environment. Di dalam: Proceedings of the 17th Annual International ACM-SIGIR Conference on Research and Development in Information Retrieval; 1994 Jul 3-6; Dublin, Irlandia. New York (US): Springer-Verlag. hlm 292-300. Chen B. 2011. Modeling in Information Retrieval. Department of Computer Science and Information Engineering, National Taiwan Normal University. Harman D. 1992. Relevance feedback revisited. Di dalam: Proceedings of the 15th Annual International ACM-SIGIR Conference on Research and Development
19 in Information Retrieval; 1992 Jun 21-24; Copenhagen, Denmark. New York (US): ACM. hlm 1-10. Luhn HP. 1958. The automatic of literature abstracts. IBM Journal of Research and Development. 2(2):159-165. Manning CD, Raghavan P, Schütze H. 2008. An Introduction to Information Retrieval. Cambridge (UK): Cambridge Univ Pr. Robertson SE, Walker S. 1999. Okapi/Keenbow at TREC-8. Di dalam: Proceedings of TREC-8; 1999 Nov 16-19; Maryland, United States of America. Maryland (US): NIST. hlm 151-162. Sudirman S, Kodar A. 2012. Penggunaan model probabilistik untuk sistem temu kembali informasi. Di dalam: Seminar Nasional Pengaplikasian Telematika (SINAPTIKA 2012); 2012 Jul 7; Jakarta, Indonesia. Jakarta (ID): SINAPTIKA. hlm 25-32.
20
21
LAMPIRAN
Lampiran 1 Antarmuka implementasi
22 Lampiran 2 Gugus query dan jawaban Kueri Gugus Jawaban Bencana gatra070203, gatra161002, gatra210704, gatra301002, kekeringan indosiar010903, indosiar170603, indosiar220503, indosiar260803003, indosiar310504, kompas210504, kompas250803, mediaindonesia050604-001, mediaindonesia110703, mediaindonesia160603, mediaindonesia240503, mediaindonesia260803, mediaindonesia270803, mediaindonesia310503, pikiranrakyat020704, republika030903001, republika030903-002, republika070604-001, republika090804-01, republika120804-01, republika120804-04, republika130804-02, republika200603, republika210704-004, republika250604, republika270503, republika270704-002, situshijau181103-001, suarakarya000000-002-01, suarakarya000000-021, suaramerdeka130602, suaramerdeka190903, suarapembaruan150903, suarapembaruan180303, suarapembaruan260703-002. Dukungan indosiar070504, jurnal000000-026, kompas030401, pemerintah kompas050303, kompas060503, kompas071100, kompas150201, pada pertanian kompas200802, kompas300402, mediaindonesia130204, mediaindonesia220303, pembaruan110903, poskota040804, republika100903, republika180303, republika210902, republika230903, republika251102-001, republika251102-002, republika300604-001, situshijau150504-002, situshijau190303-002, situshijau200103-002, situshijau201003-001, situshijau281003-002, suarakarya000000-028, suaramerdeka130902, wartapenelitian000000-002, wartapenelitian000000-007. Flu burung gatra220604, gatra270104-001, gatra270104-002, gatra300104, indosiar020304, indosiar240204, mediaindonesia090204, mediaindonesia140704, mediaindonesia200204, republika090604, republika120704-005, republika190504-001, republika190604-005, republika210504-001, republika290704-002, situshijau280404-004, suarakarya000000-001, suarakarya000000-008, suarakarya000000014, suaramerdeka160204, suaramerdeka200104. Gabah kering indosiar180603, indosiar240703, indosiar300304, kompas 170402, giling kompas030502-001, kompas160704, kompas170903, mediaindonesia250304, pikiranrakyat300604, republika040303, republika060804-003, republika100704-003, republika100804, republika120804-01, republika180504-002, republika210704-001, republika230704-001, republika231202-001, republika231202-002, republika290604-003, republika290604-007, situshijau281003-004, suarakarya000000-007, suaramerdeka090104.
23 Lampiran 2 Lanjutan Kueri Gugus Jawaban Gagal panen gatra070203, gatra190802, gatra190902-02, gatra301002, indosiar010504, indosiar031203, indosiar040903, indosiar050704002, indosiar070504, indosiar130504, indosiar140204, indosiar160304, indosiar170603, indosiar180304, indosiar240703, indosiar260803-001, indosiar260803-003, kompas030704, kompas031003, kompas170504, mediaindonesia030603, mediaindonesia050604-001, mediaindonesia110703, mediaindonesia140203, mediaindonesia160603, mediaindonesia240503, mediaindonesia310503, republika030903002, republika060804-001, republika080703, republika090804-01, republika120804-04, republika130704-001, republika130804-02, republika200603, republika230704-005, republika260604-003, situshijau091203-002, situshijau100603-003, situshijau110303-002, situshijau280404-002, suarakarya000000-002-02, suarakarya000000-011, suaramerdeka120104, suaramerdeka130602, suarapembaruan120104, suarapembaruan260703-001, suarapembaruan260703-002. Impor beras gatra180103, gatra220802, indosiar180603, indosiar180703, Indonesia indosiar200304, indosiar300703-002, kompas 170402, kompas 170402, kompas050602, kompas101002, kompas101004, kompas160704, kompas180504, kompas270401, kompas270502002, kompas310702, mediaindonesia050104, mediaindonesia060803, mediaindonesia100203, mediaindonesia131003, mediaindonesia160603, mediaindonesia250304, republika020604-001, republika060804001, republika090902, republika100703, republika100704-003, republika180504-002, republika210704-001, republika230704-001, republika231202-001, republika231202-002, republika240604-001, republika300704-002, situshijau281003-004, suarakarya000000007, suarakarya000000-023, suaramerdeka120104, suaramerdeka130104, suaramerdeka170602-001, suaramerdeka270601, suarapembaruan100903, suarapembaruan110903 Industri gula gatra200103, kompas031003, kompas250901, mediaindonesia120604-002, pikiranrakyat300704-002, republika010704-003, republika020804, republika090902, republika100902, republika220604-002, republika280704-002, republika301002, situshijau210103-001, suarakarya000000-001-01, suarakarya000000-007, suarakarya000000-028, suaramerdeka130902, suarapembaruan100903, suarapembaruan220403
24 Lampiran 2 Lanjutan Kueri Gugus Jawaban Institut gatra020804, gatra180304, gatra180702, gatra220704, gatra290903, pertanian gatra300404, kompas100399, kompas111099, kompas121099, bogor kompas150304-001, kompas200704, kompas200799, kompas230704, mediaindonesia080704, mediaindonesia090704, mediaindonesia101003, mediaindonesia290903-002, republika010704-001, republika061003, republika070604-002, republika100604-002, republika100704-002, republika110604-002, republika140704-002, republika160604-002, republika170604-001, republika180303, republika180604, republika190604-001, republika190604-002, republika211002, republika220604-001, republika230704-08, situshijau070503, situshijau101103-004, situshijau281003-003, suarakarya000000-005, suarakarya000000010, suarapembaruan150903, suarapembaruan260703-001 Kelangkaan indosiar010704, indosiar060204, indosiar190504-001, pupuk indosiar200104, indosiar260504, indosiar290604, kompas210504, kompas300502-001, pikiranrakyat010504-003, republika050604, republika160604-001, suarakarya000000-001-02, suarakarya000000-002, suarakarya000000-006, suarakarya000000026, suarakarya000000-029, suarakarya000000-030, suarakarya000000-032, suarakarya000000-038, suaramerdeka161101 Kelompok bitraindonesia000000-001, indosiar021203-002, jurnal000000-017, masyarakat kompas180502, kompas211103, kompas250901, kompas260304, tani kompas260902, kompas270203-002, kompas270502-002, kompas300502-001, replubika110804, republika030304, republika110604-004, republika131203-001, republika140703, republika151202, republika180303, republika270704-001, republika280703, republika300704-001, situshijau070503, situshijau120303-003, situshijau130303-001, situshijau190303-002, situshijau200103-002, situshijau281003-004, suarakarya000000001-02, suarakarya000000-037, suaramerdeka260902, suarapembaruan090202, suarapembaruan130103 Laboratorium balaipenelitian000000-010, gatra100203, indobic130504-002, pertanian indosiar010704, jurnal000000-027, kompas220801, kompas241203, kompas300502-002, mediaindonesia290903-002, republika050804-007, republika120704-005, republika230704-004, republika300604-002, situshijau040603, situshijau051103-02, situshijau100603-001, situshijau140503-001-01, situshijau150403002, situshijau180603-003, suarakarya000000-003, suaramerdeka031101
25 Lampiran 2 Lanjutan Kueri Gugus Jawaban Musim gatra190902-02, gatra230103-001, gatra240203, indosiar010504, panen indosiar021203-002, indosiar060204, indosiar071103, indosiar110304, indosiar240604, indosiar300304, kompas030502001, kompas041103, kompas220901-001, kompas240103, kompas300502-001, mediaindonesia131203-001, mediaindonesia230604, pikiranrakyat240404, pikiranrakyat300604, poskota261202, republika060804-001, republika060804-003, republika100704-003, republika151202, republika171102, republika240604-005, republika290604-007, republika300704-002, situshijau000000-001, situshijau040603, situshijau080503-004, situshijau250403-004, situshijau270503002, situshijau280404-002, suarakarya000000-007, suarakarya000000-023, suarakarya000000-028, suaramerdeka120104, suaramerdeka290901, suarapembaruan031002 Pembangun gatra180304, jurnal000000-002, kompas020803, kompas031003, an untuk kompas060203, kompas060503, kompas100399, kompas101004, sektor kompas110201, kompas111099, kompas121099, kompas150304pertanian 002, kompas190802, kompas191099, kompas200799, kompas210502, kompas220901-002, kompas230603, kompas240803, kompas260203, kompas270204, kompas280602, kompas290404, mediaindonesia050604-002, mediaindonesia060903, mediaindonesia090903, mediaindonesia160903, pembaruan110903, poskota110703, republika060903, republika070104, republika080703, republika100804, republika100903, republika101203, republika110604-002, republika131203-001, republika150604003, republika150903, republika190803, republika251002-003, republika290704-003, republika300604-001, situshijau091203002, situshijau280203, suarapembaruan140303 Penerapan jurnal000000-018, kompas121099, puslitbang000000-001, bioteknolog republika220604-003, republika290704-002, situshijau000000i di 002, situshijau030603-001, situshijau040603, situshijau050703indonesia 001, situshijau070103-001, situshijau070103-002, situshijau070103-003, situshijau100603-002, situshijau100603003, situshijau110303-002, situshijau130103-001, situshijau130503-001, situshijau130503-002, situshijau140103002, situshijau140103-003, situshijau140503-001-01, situshijau140903-001, situshijau150403-001, situshijau150403002, situshijau160103, situshijau180603-003, situshijau180803003, situshijau200103-001, situshijau210103-003, situshijau210503-001, situshijau270303-004, situshijau270503002, situshijau270703-005, situshijau300403, situshijau310303, situshijau310303-No, suarakarya000000-001-02, suarakarya000000-014, suarapembaruan020603, suarapembaruan020603-No, suarapembaruan151102
26 Lampiran 2 Lanjutan Kueri Gugus Jawaban Harga indosiar071103,indosiar180603,indosiar221003,indosiar240604,in komoditas dosiar300304,jurnal000000-022,jurnal000000-027,kompas pertanian 170402,kompas030502-001,kompas030502002,kompas080702,kompas100399,kompas101004, kompas111099,kompas140802,kompas160304,kompas170104,ko mpas171002,kompas180502,kompas180504,kompas230603,komp as250901,kompas270203-001,kompas270401,kompas270502001,kompas280602,kompas311203, mediaindonesia060803,mediaindonesia310503,pikiranrakyat2404 04, pikiranrakyat300604,poskota000000-002,poskota000000003,republika030804-002,republika060503,republika060804001,republika060804-003, republika061102,republika090902,republika140704004,situshijau050703-002, situshijau070503,situshijau130203002,situshijau240203-002,situshijau280203, situshijau280404001,situshijau280404-002,situshijau280404-003, suarakarya000000-002-02,suarakarya000000021,suaramerdeka170602-001, suaramerdeka290802,suaramerdeka311003,suarapembaruan10090 3, suarapembaruan220403,trubus000004,wartapenelitian000000002 Penerapan indosiar250204-001, jurnal000000-001, jurnal000000-011, teknologi jurnal000000-013, jurnal000000-017, jurnal000000-024, pertanian kompas121099, kompas251003, kompas290402, mediaindonesia170403, republika050903, republika131203-001, republika140604-001, republika180504-001, republika201102, republika220604-003, republika230704-08, republika260803, situshijau030603-001, situshijau080103, situshijau100603-003, situshijau140103-002, situshijau140903-001, situshijau140903003, situshijau180603-003, situshijau180803-002, situshijau181103-002, situshijau270303-004, situshijau270503002, situshijau270703-005, situshijau281003-003, situshijau290503-003, suarakarya000000-034, suarapembaruan020603-No, suarapembaruan060602, suarapembaruan160702, wartapenelitian000000-003, wartapenelitian000000-007, wartapenelitian000000-009 Penyakit gatra270104-002, gatra270104-003, gatra300104, hewan mediaindonesia090204, republika150103, republika160704-003, ternak republika260704-004, republika300604-002, suarakarya000000004, suarakarya000000-008, suarakarya000000-014, suarakarya000000-017, suaramerdeka260302-01
27 Lampiran 2 Lanjutan Kueri Gugus Jawaban Penyuluhan pertanian bitraindonesia000000-001, gatra190902-02, indosiar310504, jurnal000000-005, jurnal000000-014, kompas050802, kompas130699, kompas170104, kompas200503-002, mediaindonesia160603, poskota110703, republika030903002, republika050804-001, republika061003, republika171003, republika180303, republika200203, republika210504-001, republika220604-003, republika260604-003, republika300604-003, situshijau201003-002, situshijau230103-001, situshijau270703-001, suaramerdeka271102, wartapenelitian000000-002, wartapenelitian000000-007 Perdagangan hasil gatra011102, indosiar070204, indosiar201103, jurnal000000pertanian 002, jurnal000000-027, kompas031003, kompas041102, kompas101002, kompas140802, kompas160304, kompas270401, kompas270502-001, kompas271103, kompas311203, mediaindonesia030104, mediaindonesia101003, mediaindonesia150903, mediaindonesia170303, republika020604-001, republika041102, republika281202, situshijau130303-001, situshijau191103, situshijau240203-002, suarakarya000000013, suaramerdeka120104, suaramerdeka270601, suarapembaruan080903-001, suarapembaruan080903-002, wartapenelitian000000-006 Sistem pertanian indosiar250204-002, jurnal000000-017, kompas010499, organik kompas030502-002, kompas050802, kompas081203, kompas181099, kompas221001, kompas241203, kompas260304, kompas270502-002, kompas300502-001, republika131203-001, republika150303, republika180303, situshijau070503, situshijau091203-001, situshijau091203004, situshijau290503-003, suarakarya000000-001-02, suarapembaruan000000-002, suarapembaruan090202, suarapembaruan110702-01, suarapembaruan160702 Petani tebu indosiar190504-002, indosiar290604, kompas031003, kompas250901, kompas310702, republika010704-003, republika020804, republika100902, republika140704-004, republika150604-002, republika200704-001, republika220604-002, republika280704-002, republika310704-001, situshijau280203, suarakarya000000007, suarakarya000000-028, suaramerdeka130902, suarapembaruan100903, suarapembaruan220403
28 Lampiran 2 Lanjutan Kueri Gugus Jawaban Peternak ayam gatra270104-001, gatra270104-002, gatra300104, indosiar020304, indosiar161203, indosiar240204, jurnal000000-009, kompas051103, kompas120101, mediaindonesia090204, republika061003, republika100604002, republika190504-001, republika210504-001, situshijau280404-004, suarakarya000000-001, suarakarya000000-008, suarakarya000000-014, suarakarya000000-017, suarapembaruan220802 Produk usaha jurnal000000-003, kompas120101, kompas150201, peternakan rakyat mediaindonesia010304, mediaindonesia090204, republika100604-002, republika150303, republika170704007, republika210504-001, republika220704-003, republika260604-001, republika290704-002, republika300604-002, situshijau190303-001, suarakarya000000-001, suarakarya000000-008, suarakarya000000-013, suarakarya000000-014, suarapembaruan151102 Pupuk organik balaipenelitian000000-001, kompas270502-002, kompas280502, kompas300502-001, republika050804-007, republika190104, republika201102, republika270604, situshijau091203-004, situshijau140103-001, suarakarya000000-001-02, suarakarya000000-037, suaramerdeka031101, suaramerdeka170602-002, suarapembaruan090202, suarapembaruan130103, suarapembaruan160702, suarapembaruan220802, wartapenelitian000000-002, wartapenelitian000000-008 Riset pertanian balaipenelitian000000-012, gatra270104-002, indobic130504001, jurnal000000-008, jurnal000000-015, jurnal000000-018, jurnal000000-019, jurnal000000-026, kompas010499, kompas170104, kompas221003, kompas230603, mediaindonesia131003, puslitbang000000-001, republika030903-002, republika070604-002, republika100704-002, republika140104, republika170604001, republika190604-001, republika190604-002, republika210704-001, republika210704-003, republika220604-003, republika241203, republika260803, republika280703, republika300604-003, situshijau040603, situshijau070503, situshijau080503-001, situshijau091203003, situshijau101103-004, situshijau130103-001, situshijau130503-002, situshijau140103-002, situshijau140903-001, situshijau140903-003, situshijau150403-002, situshijau180803-002, situshijau181103-002, situshijau200103-001, situshijau200103-001-No, situshijau201003-002, situshijau210103-003, situshijau210503-001,
29
Swasembada pangan
Tadah hujan
Tanaman obat
situshijau250203, situshijau270303-004, situshijau290503001, situshijau300403, situshijau310303, suarakarya000000001-02, suarakarya000000-010, suarakarya000000-019, suarakarya000000-027, suarakarya000000-034, suarakarya000000-037, suaramerdeka270601, suarapembaruan000000-002, suarapembaruan020603, suarapembaruan060602, suarapembaruan110702, suarapembaruan110702-01, suarapembaruan151102, suarapembaruan160702, suarapembaruan241003, suarapembaruan290802-001, wartapenelitian000000-007, wartapenelitian000000-009 indosiar021203-002, kompas060503, kompas100901, kompas110201, kompas150304-002, kompas170104, kompas230603, kompas230899, kompas270203-001, kompas270401, kompas270502-002, mediaindonesia160603, republika030304, republika060503, republika061003, republika080703, republika100704-005, republika220604003, republika220604-003, republika230902-001, republika230902-002, republika231202-001, republika231202-002, suarakarya000000-001-02, suarakarya000000-002-02, suarakarya000000-016, suarakarya000000-021, suaramerdeka170602-001, suarapembaruan110903, suarapembaruan221102 gatra210704, gatra301002, indosiar260803-001, indosiar310504, jurnal000000-001, kompas270502-002, mediaindonesia160603, mediaindonesia310503, republika090804-01, republika210704-004, republika230704005, republika240604-005, republika290604-007, suarakarya000000-001-02, suarakarya000000-030, suaramerdeka130602, suarapembaruan260703-002, wartapenelitian000000-004 balaipenelitian000000-008, balaipenelitian000000-009, indobic120504, indosiar010704, indosiar260803-002, republika020604-003, republika030804-002, republika270604, republika290604-001, situshijau030203001, situshijau041203, situshijau060503, situshijau070103004, situshijau070103-005, situshijau100603-002, situshijau101103-003, situshijau120303-004, situshijau130103-002, situshijau130503-001, situshijau140103-003, situshijau140903-004, situshijau180203-001, situshijau180203-002, situshijau201003-002, situshijau270303-001, situshijau270303-003, situshijau270503-002, situshijau270703-002, situshijau290503-001
30 Lampiran 2 Lanjutan Kueri Gugus Jawaban Tanaman pangan bitraindonesia000000-001, indosiar021203-001, indosiar030304, indosiar050704-002, indosiar130104, indosiar130504, indosiar160304, indosiar180304, indosiar310504, kompas020603, kompas120102, kompas120702, kompas171002, kompas180701, kompas240302, kompas260203, kompas311203, mediaindonesia030104, mediaindonesia160603, mediaindonesia170303, mediaindonesia220303, republika030304, republika050903, republika080604-004, republika150903, republika200603, republika220604-003, republika230704-006, republika241203, republika260604001, republika271003, situshijau070103-003, situshijau140903-001, situshijau181103-001, situshijau290403-002, suarakarya000000-001-02, suarakarya000000-011, suarakarya000000-013, suarakarya000000-031, suaramerdeka160703, suaramerdeka250302, suarapembaruan151102, suarapembaruan260703-002 Upaya peningkatan indosiar150104-001, jurnal000000-017, kompas030502-001, pendapatan kompas031003, kompas100399, kompas170903, petani/peningkatan kompas200802, kompas210502, kompas260702, pendapatan petani kompas270203-001, kompas300402, kompas300502-002, pembaruan110903, poskota110703, republika030804-002, republika030903-001, republika060804-001, republika060804-003, republika230404, republika231202001, republika231202-002, republika240604-005, republika241203, republika281202, republika300704-002, situshijau140503-001, situshijau180803-002, situshijau181103-002, situshijau200103-001, situshijau280203, suaramerdeka120104, suaramerdeka170602-001, suarapembaruan060602, suarapembaruan290802-001, wartapenelitian000000-005
31
Lampiran 3 Nilai tuning parameter yang akan diujikan Nama Tuning1 Tuning2 Tuning3 Tuning4 Tuning5 Tuning6 (BM25) Tuning7 Tuning8 Tuning9 Tuning10 Tuning11 Tuning12 Tuning13 Tuning14 Tuning15 Tuning16 Tuning17 Tuning18 Tuning19 Tuning20 Tuning21 Tuning22 Tuning23 Tuning24 Tuning25 Tuning26 Tuning27 Tuning28 Tuning29 Tuning30
k1 1.0 1.0 1.0 1.0 1.0 1.2 1.2 1.2 1.2 1.2 1.4 1.4 1.4 1.4 1.4 1.6 1.6 1.6 1.6 1.6 1.8 1.8 1.8 1.8 1.8 2.0 2.0 2.0 2.0 2.0
b 0.75 0.60 0.45 0.30 0.15 0.75 0.60 0.45 0.30 0.15 0.75 0.60 0.45 0.30 0.15 0.75 0.60 0.45 0.30 0.15 0.75 0.60 0.45 0.30 0.15 0.75 0.60 0.45 0.30 0.15
32 Lampiran 4 Hasil tuning parameter yang diujikan beserta nilai AVP nya Nama
k1
b
AVP
Tuning1 Tuning2 Tuning3 (Best) Tuning4 Tuning5 Tuning6 (BM25) Tuning7 Tuning8 Tuning9 Tuning10 Tuning11 Tuning12 Tuning13 Tuning14 Tuning15 Tuning16 Tuning17 Tuning18 Tuning19 Tuning20 Tuning21 Tuning22 Tuning23 Tuning24 Tuning25 Tuning26 Tuning27 Tuning28 Tuning29 Tuning30
1.0 1.0 1.0 1.0 1.0 1.2 1.2 1.2 1.2 1.2 1.4 1.4 1.4 1.4 1.4 1.6 1.6 1.6 1.6 1.6 1.8 1.8 1.8 1.8 1.8 2.0 2.0 2.0 2.0 2.0
0.75 0.60 0.45 0.30 0.15 0.75 0.60 0.45 0.30 0.15 0.75 0.60 0.45 0.30 0.15 0.75 0.60 0.45 0.30 0.15 0.75 0.60 0.45 0.30 0.15 0.75 0.60 0.45 0.30 0.15
0.5895 0.5897 0.5901 0.5822 0.5806 0.5885 0.5896 0.5887 0.5822 0.5802 0.5875 0.5883 0.5871 0.5836 0.5783 0.5847 0.5860 0.5861 0.5832 0.5779 0.5844 0.5842 0.5865 0.5822 0.5766 0.5821 0.5852 0.5851 0.5802 0.5758
Selisih dengan BM25 0.0010 0.0012 0.0016 -0.0063 -0.0079 0.0000 0.0011 0.0002 -0.0063 -0.0083 -0.0010 -0.0002 -0.0014 -0.0049 -0.0102 -0.0038 -0.0025 -0.0024 -0.0053 -0.0106 -0.0041 -0.0043 -0.0020 -0.0063 -0.0119 -0.0064 -0.0033 -0.0034 -0.0083 -0.0127
33 Lampiran 5 Hasil perhitungan precision pada eleven standard recall Precision Recall BM25
BM25 Tuning
VSM
0
0.9483
0.9307
0.9070
0.1
0.8491
0.8463
0.8217
0.2
0.7801
0.7690
0.6958
0.3
0.7048
0.7031
0.6219
0.4
0.6346
0.6430
0.5541
0.5
0.5659
0.5718
0.5229
0.6
0.5180
0.5214
0.4615
0.7
0.4765
0.4864
0.4173
0.8
0.3996
0.4084
0.3583
0.9
0.3410
0.3506
0.2842
1
0.2556
0.2606
0.2154
Average Precision
0.5885
0.5901
0.5327
34
Lampiran 6 Precision setiap query pada BM25 Query bencana kekeringan dukungan pemerintah pada pertanian flu burung gabah kering giling gagal panen/puso impor beras Indonesia industri gula institut pertanian bogor kelangkaan pupuk kelompok masyarakat tani/kelompok tani laboratorium pertanian musim panen pembangunan untuk sektor pertanian penerapan bioteknologi di indonesia penerapan teknologi pertanian penyakit hewan ternak penyuluhan pertanian perdagangan hasil pertanian sistem pertanian organik
Nilai precision pada eleven standard recall 0 1.0000
0.1 1.0000
0.2 1.0000
0.3 1.0000
0.4 1.0000
0.5 0.7241
0.6 0.7143
0.7 0.6512
0.8 0.6275
0.9 0.5217
1 0.5217
1.0000
0.4615
0.4615
0.3636
0.3636
0.2909
0.2647
0.2308
0.1579
0.0495
0.0495
1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
1.0000 0.6190 0.9048 1.0000 1.0000 1.0000 1.0000
0.9231 0.6190 0.8800 1.0000 1.0000 0.8182 1.0000
0.9231 0.6190 0.7813 0.8148 0.8571 0.7419 0.9091
0.8889 0.5357 0.6531 0.6735 0.8571 0.7105 0.8947
0.8889 0.5152 0.6140 0.6735 0.7000 0.6444 0.8947
0.8696 0.4651 0.2000 0.6034 0.4706 0.5500 0.8947
0.8696 0.4182 0.2000 0.5063 0.2571 0.4111 0.7917
0.8696 0.4182 0.2000 0.2756 0.2436 0.0506 0.6250
1.0000
0.5714
0.4348
0.4348
0.2281
0.2250
0.2247
0.1923
0.1923
0.1923
0.1923
1.0000 1.0000
0.8750 1.0000
0.8750 0.6000
0.8750 0.5833
0.6250 0.5000
0.5789 0.4375
0.5200 0.4308
0.4000 0.4308
0.3469 0.3367
0.3443 0.3158
0.3443 0.1504
0.5000
0.5000
0.4167
0.2917
0.2037
0.1870
0.1867
0.1771
0.1653
0.1631
0.1631
1.0000
1.0000
0.6923
0.5652
0.4595
0.2763
0.2763
0.2763
0.2763
0.2763
0.2763
1.0000 1.0000 1.0000 0.1475 1.0000
1.0000 0.7000 1.0000 0.1475 1.0000
1.0000 0.7000 0.8462 0.1475 1.0000
0.6667 0.7000 0.8462 0.1463 0.9167
0.5926 0.7000 0.8462 0.1463 0.9167
0.4773 0.7000 0.7000 0.1271 0.8750
0.2857 0.6000 0.6800 0.0914 0.8421
0.2295 0.5556 0.5882 0.0759 0.8095
0.1250 0.5500 0.0880 0.0514 0.6452
0.0414 0.5455 0.0325 0.0414 0.4783
0.0414 0.4194 0.0325 0.0379 0.0336
35
Lampiran 6 Lanjutan petani tebu peternak ayam produk usaha peternakan rakyat pupuk organik riset pertanian swasembada pangan tadah ujan tanaman obat tanaman pangan upaya peningkatan pendapatan petani harga komoditas pertanian
1.0000 1.0000
1.0000 1.0000
0.8000 1.0000
0.6000 0.9500
0.6000 0.9500
0.6000 0.9500
0.6000 0.9500
0.5600 0.9500
0.5333 0.9500
0.5294 0.9500
0.5294 0.8696
1.0000
1.0000
0.6667
0.4375
0.2571
0.1967
0.1967
0.1687
0.1053
0.0833
0.0623
1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
1.0000 0.5294 0.7727 1.0000 1.0000 0.6875
0.8182 0.5250 0.7727 1.0000 1.0000 0.6875
0.8182 0.5250 0.7727 0.9091 1.0000 0.5909
0.8182 0.2240 0.7727 0.9091 0.8571 0.3291
0.7143 0.1273 0.7727 0.9091 0.6522 0.3291
0.6190 0.0948 0.7500 0.7857 0.5455 0.3291
0.5833 0.0846 0.6000 0.6818 0.5349 0.2857
0.5161 0.0749 0.5106 0.6818 0.4815 0.2500
0.4500 0.0749 0.1875 0.6296 0.4091 0.2381
0.3279 0.0749 0.0893 0.1579 0.1576 0.2381
1.0000
0.5000
0.3889
0.2449
0.1573
0.1387
0.1296
0.0996
0.0898
0.0635
0.0589
0.8000
0.7273
0.5714
0.3830
0.3412
0.3412
0.2102
0.1971
0.1776
0.1581
0.1581
36
Lampiran 7 Precision setiap query pada BM25 dengan tuning tertinggi Query bencana kekeringan dukungan pemerintah pada pertanian flu burung gabah kering giling gagal panen/puso impor beras Indonesia industri gula institut pertanian bogor kelangkaan pupuk kelompok masyarakat tani/kelompok tani laboratorium pertanian musim panen pembangunan untuk sektor pertanian penerapan bioteknologi di indonesia penerapan teknologi pertanian penyakit hewan ternak penyuluhan pertanian perdagangan hasil pertanian sistem pertanian organik
Nilai precision pada eleven standard recall 0 1.0000
0.1 1.0000
0.2 1.0000
0.3 1.0000
0.4 1.0000
0.5 0.7419
0.6 0.7143
0.7 0.6364
0.8 0.6275
0.9 0.5143
1 0.5143
1.0000
0.3333
0.3333
0.3333
0.3333
0.3148
0.2727
0.2258
0.1538
0.0493
0.0493
1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
1.0000 1.0000 0.9286 1.0000 1.0000 1.0000 1.0000
0.9231 0.5652 0.8889 1.0000 1.0000 1.0000 1.0000
0.9231 0.5652 0.8750 1.0000 1.0000 0.9444 1.0000
0.9231 0.5652 0.8333 0.7586 0.7333 0.7333 0.9091
0.8947 0.5000 0.7632 0.7222 0.6842 0.7143 0.8947
0.8947 0.5000 0.6182 0.6471 0.6364 0.6596 0.8947
0.8947 0.4694 0.1875 0.5645 0.4722 0.5238 0.8947
0.8696 0.4694 0.1875 0.5000 0.2769 0.5000 0.8261
0.8696 0.4694 0.1875 0.2575 0.2262 0.0473 0.5882
1.0000
0.7143
0.4706
0.4545
0.2727
0.2286
0.2083
0.1923
0.1923
0.1923
0.1923
1.0000 1.0000
0.8750 0.8000
0.8750 0.7273
0.8750 0.5909
0.6250 0.5000
0.5789 0.4118
0.4545 0.3704
0.4545 0.3704
0.3462 0.3303
0.3443 0.3303
0.3443 0.1413
0.5000
0.4118
0.2979
0.2979
0.2346
0.2045
0.1847
0.1777
0.1729
0.1713
0.1631
1.0000
1.0000
0.8182
0.5667
0.5667
0.2727
0.2727
0.2727
0.2727
0.2727
0.2727
1.0000 1.0000 1.0000 0.1549 1.0000
1.0000 1.0000 1.0000 0.1549 1.0000
0.7692 0.7273 0.8571 0.1549 1.0000
0.6500 0.7273 0.8571 0.1549 0.9286
0.6429 0.7273 0.8571 0.1339 0.9286
0.5833 0.7273 0.8235 0.1339 0.9286
0.3750 0.7273 0.6800 0.1295 0.8947
0.2205 0.6471 0.6333 0.0982 0.8947
0.1260 0.6471 0.0944 0.0516 0.6250
0.0439 0.5714 0.0332 0.0423 0.4681
0.0439 0.5200 0.0332 0.0390 0.0351
37
Lampiran 7 Lanjutan petani tebu peternak ayam produk usaha peternakan rakyat pupuk organik riset pertanian swasembada pangan tadah ujan tanaman obat tanaman pangan upaya peningkatan pendapatan petani harga komoditas pertanian
1.0000 1.0000
1.0000 1.0000
1.0000 1.0000
0.6000 1.0000
0.6000 1.0000
0.6000 0.9500
0.6000 0.9500
0.6000 0.9500
0.5714 0.9500
0.5294 0.9500
0.5294 0.9091
1.0000
1.0000
0.5714
0.5455
0.3077
0.1961
0.1935
0.1443
0.1322
0.0833
0.0569
1.0000 1.0000 1.0000 1.0000 1.0000 0.6000
1.0000 0.5333 0.8000 1.0000 1.0000 0.6000
0.7500 0.5263 0.8000 1.0000 1.0000 0.6000
0.6875 0.5250 0.8000 1.0000 0.9091 0.5909
0.6875 0.2188 0.8000 0.9091 0.8125 0.3281
0.6875 0.1071 0.8000 0.9091 0.7500 0.3056
0.6000 0.0870 0.7917 0.7143 0.6429 0.2826
0.6000 0.0825 0.6875 0.7143 0.5676 0.2627
0.5517 0.0719 0.5333 0.7143 0.5333 0.2569
0.5143 0.0719 0.2250 0.6071 0.4058 0.2386
0.3774 0.0719 0.0890 0.1856 0.1429 0.2386
1.0000
0.5000
0.3182
0.2292
0.1628
0.1374
0.1288
0.1239
0.1202
0.0646
0.0597
0.6667
0.6667
0.5455
0.3913
0.3333
0.3061
0.1946
0.1843
0.1710
0.1636
0.1636
38
Lampiran 8 Precision setiap query pada vector space model Query bencana kekeringan dukungan pemerintah pada pertanian flu burung gabah kering giling gagal panen/puso impor beras Indonesia industri gula institut pertanian bogor kelangkaan pupuk kelompok masyarakat tani/kelompok tani laboratorium pertanian musim panen pembangunan untuk sektor pertanian penerapan bioteknologi di indonesia penerapan teknologi pertanian penyakit hewan ternak penyuluhan pertanian perdagangan hasil pertanian sistem pertanian organik
Nilai precision pada eleven standard recall 0 1.0000
0.1 1.0000
0.2 0.8667
0.3 0.8667
0.4 0.8421
0.5 0.8000
0.6 0.7429
0.7 0.7179
0.8 0.6809
0.9 0.5373
1 0.5373
1.0000
0.3750
0.3750
0.3462
0.2745
0.2698
0.2000
0.1750
0.1622
0.0508
0.0508
1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
1.0000 0.8333 1.0000 1.0000 1.0000 1.0000 1.0000
1.0000 0.8333 0.7692 1.0000 0.8000 0.8000 1.0000
0.9167 0.6667 0.6296 1.0000 0.8000 0.7368 1.0000
0.9167 0.5556 0.5263 0.9000 0.8000 0.6800 1.0000
0.9167 0.5000 0.4561 0.8462 0.7692 0.6667 0.9167
0.8750 0.4000 0.3947 0.6364 0.6667 0.6667 0.8571
0.8500 0.3953 0.3211 0.6078 0.6087 0.6250 0.8235
0.8500 0.3846 0.2074 0.4235 0.5714 0.6000 0.6957
0.8261 0.3143 0.2074 0.3083 0.1782 0.5441 0.6667
0.8261 0.3143 0.2074 0.2216 0.1234 0.2398 0.3774
1.0000
0.8000
0.4375
0.4000
0.2468
0.2468
0.2360
0.2190
0.1955
0.1921
0.1921
1.0000 0.8182
0.7500 0.8182
0.7273 0.8182
0.7273 0.5417
0.6111 0.4706
0.6111 0.4348
0.5909 0.3636
0.5769 0.2887
0.4595 0.2520
0.3800 0.2346
0.3088 0.1826
1.0000
0.5625
0.4194
0.3125
0.2333
0.2121
0.2121
0.2121
0.2114
0.1811
0.1756
1.0000
0.8333
0.5625
0.5417
0.4091
0.2692
0.2692
0.2692
0.2692
0.2692
0.2692
1.0000 0.6667 1.0000 0.2500 1.0000
1.0000 0.6667 1.0000 0.2500 1.0000
0.7143 0.5000 1.0000 0.2500 0.7368
0.6190 0.5000 0.7647 0.1964 0.7368
0.6129 0.4118 0.7647 0.1884 0.7368
0.5882 0.4118 0.7368 0.1724 0.7368
0.4717 0.3000 0.6667 0.1395 0.7143
0.3636 0.2037 0.6333 0.1058 0.6333
0.1373 0.2037 0.1746 0.0992 0.6176
0.1034 0.1512 0.0409 0.0879 0.5366
0.1034 0.1512 0.0409 0.0453 0.0338
39
Lampiran 8 Lanjutan petani tebu peternak ayam produk usaha peternakan rakyat pupuk organik riset pertanian swasembada pangan tadah ujan tanaman obat tanaman pangan upaya peningkatan pendapatan petani harga komoditas pertanian
1.0000 1.0000
0.7500 1.0000
0.6667 1.0000
0.6250 1.0000
0.6250 0.9167
0.6250 0.9167
0.5417 0.8571
0.5333 0.7778
0.5333 0.7619
0.3830 0.7500
0.3830 0.4255
1.0000
1.0000
0.5556
0.3529
0.1714
0.1714
0.1714
0.1386
0.1039
0.0695
0.0579
1.0000 1.0000 0.5714 0.8333 1.0000 0.5000
1.0000 0.7500 0.5714 0.8333 1.0000 0.2857
0.5000 0.6250 0.5714 0.8333 1.0000 0.2564
0.5000 0.5652 0.5714 0.5294 1.0000 0.2500
0.5000 0.2314 0.5714 0.5294 0.8000 0.1606
0.5000 0.1289 0.5714 0.5294 0.6522 0.1606
0.4000 0.0971 0.5455 0.4615 0.3830 0.1606
0.2414 0.0921 0.4375 0.4412 0.2414 0.1606
0.1954 0.0766 0.3582 0.4412 0.1805 0.1333
0.1856 0.0766 0.2276 0.3333 0.1436 0.1320
0.1695 0.0766 0.0929 0.1915 0.1336 0.1320
0.5714
0.5714
0.3889
0.2200
0.2029
0.1364
0.1128
0.1128
0.1128
0.0955
0.0805
1.0000
1.0000
0.8667
0.7407
0.7333
0.7333
0.7119
0.7119
0.6571
0.3190
0.3190
40
RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 29 Maret 1991 dari ayah Agus Arifin dan ibu Sri Lestari. Penulis adalah putra pertama dari dua bersaudara. Adik penulis bernama Devi Putri Permatasari yang sekarang duduk di kelas X SMAN 105 Jakarta. Penulis menempuh pendidikan di SDS YWKA II, SMPN 74 Jakarta, dan SMAN 31 Jakarta. Penulis lulus dari SMAN 31 Jakarta pada tahun 2009 dan pada tahun yang sama, penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam melalui jalur Undangan Seleksi Masuk IPB (USMI). Penulis mengambil program Minor Agribisnis di Fakultas Ekonomi dan Manajemen IPB.
