metode vector space model pada temu kembali informasi

Pencarian dalam sistem temu balik merupakan hal yang dibutuhkan, hal ini dikarenakan ketepatan pencarian sesuai keyword yang dimasukkan user dengan dokumen yang jumlahnya banyak. Vector space model adalah suatu model yang digunakan untuk mengukur kemiripan antara suatu dokumen dengan suatu query. Query dan dokumen dianggap sebagai vektor-vektor pada ruang n-dimensi, dimana t adalah jumlah dari seluruh term yang ada dalam leksikon. Leksikon adalah daftar semua term yang ada dalam indeks. Selanjutnya akan dihitung nilai cosinus sudut dari dua vektor, yaitu W dari tiap dokumen dan W dari kata kunci. 

 

Vector space model solusi atas permasalah yang dihadapi jika menggunakan algoritma TF/IDF.Karena pada algoritma TF/IDF terdapat kemungkinan antar dokumen memiliki bobot yang sama, sehingga ambigu untuk diurutkan. Adapun Flowchart dari pencarian menggunakan algortima Vector space model sebagai berikut:

 

Perhatikan contoh berikut, misalnya:

Keyword: kpk dan icw

Dokumen 5 (D5): “ aktivis icw dianiaya aktivis icw, tama satya langkun, dianiaya oleh segerombolan orang yang tak dikenal di kawasan duren tiga, jakarta selatan, kamis dini hari.”

Dokumen 6 (D6) : “ cici tegal dipanggil kpk kpk akan memeriksa pelawak cici tegal dan pesinetron meidiana hutomo terkait dugaan korupsi pengadaan alat rontgen portable di kementerian kesehatan pada 2007.”

Dua dokumen berita tersebut akan melalui proses token untuk menghilangkan tanda baca, angka, dan lainnya. Kemudian dilakukan pembuangan kata-kata yang termasuk stoplist. Tabel 1. adalah hasil stoplist dari contoh dua dokumen berita untuk proses pencarian.

Tabel 1. Kata Stoplist Untuk Pencarian Pada D5 Dan D6

No.	Stoplist	Frekuensi
1	oleh	1
2	orang	1
3	tak	1
4	di	2
5	tiga	1
6	selatan	1
7	kamis	1
8	hari	1
9	akan	1
10	dan	1
11	terkait	1

Tabel 2. Kemunculan Kata Pada Dokumen Pencarian Pada D5 Dan D6

Token	Keyword(kk)	D5	D6
icw	1	2	0
kpk	1	0	2
aktivis	0	2	0
aniaya	0	2	0
tama	0	1	0
satya	0	1	0
langkun	0	1	0
gerombol	0	1	0
kenal	0	1	0
kawasan	0	1	0
duren	0	1	0
jakarta	0	1	0
dini	0	1	0
cici	0	0	2
tegal	0	0	2
panggil	0	0	1
memeriksa	0	0	1
lawak	0	0	1
sinetron	0	0	1
meidiana	0	0	1
hutomo	0	0	1
duga	0	0	1
korupsi	0	0	1
ada	0	0	1
alat	0	0	1
rontgen	0	0	1
portable	0	0	1
menteri	0	0	1
sehat	0	0	1
|q| dan |d|	1.4142	4.58	5.09
q * d		4	2
|q| * |d|		6.4806	7.211
q * d/|q| * |d|		0.6172	0.2774
tetha		51.888	73.8949

Keterangan Tabel 2. adalah sebagai berikut:

1. q = jumlah term keyword
2. d = jumlah term dokumen
3. |q| = akar dari keyword
4. |d| = akar dari dokumen
5. tetha = sudut tetha

Maka dari perhitungan VSM, cosine D5 adalah 0.6172 sedangkan cosine D6 adalah 0.2774. Dari hasil akhir cosine tersebut maka dapat diketahui bahwa D5 memiliki tingkat similiritas lebih tinggi dibandingkan D6. Sehingga apabila diurut berdasarkan kemunculannya maka D5 kemudian disusul D6. Hasilnya akan terlihat pada Gambar 1.

 

 Gambar 1. Implementasi Pencarian Berita

Hal yang penting diperhatikan untuk mencapai pencarian yang maksimal adalah sebelum proses pencarian dimulai, aplikasi telah melakukan proses pada dokumen:

1. Tokenizing
2. Pembuangan stoplist
3. Proses stemming
4. Pembobotan kata pada masingmasing dokumen.

Sehingga ketika pencarian dilakukan, aplikasi hanya melakukan proses pengurutan dari hasil bobot masing-masing dokumen dengan algoritma VSM. Keyword yang dimasukkan user juga lakukan proses Tokenizing, Pembuangan Stoplist, dan proses stemming untuk memperkuat pencarian. Agar aplikasi berjalan dengan optimal maka juga dapat ditambahkan cache untuk menyimpan hasil pencarian yang dilakukan sebelumnya dan strem untuk menampung persamaan atau singkata kata.

Sumber: Harjono, K. D. Perluasan Vektor Pada Metode Search Vector Space. Integral Vol. 10 No.2, Juli 2005 Jurusan Ilmu Komputer, Universitas Katolik Parahyangan, Bandung.<URL: http://home.unpar.ac.id/~integral/Volume%2010/Integral%2010%20No.%202/Perluasan%20Vektor.pdf>