PRODI MAGISTER 2019 TEKNIK INFORMATIKA
Transcript of PRODI MAGISTER 2019 TEKNIK INFORMATIKA
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
INFORMATION RETRIEVAL
d.laJFlalr|= IJIv,zdaJtgtot&
tG
.
Z(Jzlrl&
\E\s\iIEILto(E)ur./-.-ju
&.C(JoL(f
.=C6E6(oOJ
(gcc.!-c(oclvboCs-oE€cGG'-c)JZ0)(o66BGb!c3b!o!cGL{ro-Gv'6c(gvv5c:fcO
J
cGvC
J-ocq'=EA
J
E-6(.)'-O
J
c.9GEo.Cooc6o-oEG6E'bo
EYCJ
E6E.E6c6-c66GELc.)o"E6-c6IO
J
EOJ
-cJc.5
E=
(og
oJtl
--6trr>
.E
C6E6.!I0.)
o_Eo(EL-o€J6>-Ac)bJ
-'qQo
.6EnrI'€C>O
-=6=E
Eo5eo-(oCE
'-3*6.9E
C0J 'iP
oE
-l!6E
E'-
(oq=ctrq'6trG
F!6qb,F
qeg*cclT
&"co)
ES
:5bJ(uho -<
1c:lE
b*o-'6 'r>
6C
5O
!oc5oJO>
a
fE.-(oo>6-6.6E
=or(g()- _9E
oo'-c=
(q(oEE
5cE6 :-'^
oo :r-c6;EtooJfho
!.1
;ooo0co6J>-9oi-L5.oE
E(g=(o-CE
.-6
G-
>C
O(E
-G6q,E
C- 0,,
oC(octr(ooJa.e64J-E6G'{=
-Ei;
0r
.dEbo 0)oEe
bI)6LLG
=> 'E '&
0J-=oo6
6.'
O-C
(ocbEC
Co)o
o- A
ltrb!E
5z.
o-
j-fC]
cEjfEq.,
,EEEo,-c,)cc(!
!:,c:fC(JEf,o.E
3cG-ofvfL0)(o.E(oJv-ouoCGG.0Joc.F6E.=cG'6(gcEO
J
Eh0Cc)Ec-9.9foc(!boCE,=(o(,-ocC.l
E=o.E
.q!OJ
-ocfs5.C(gOJ
oooo.cIE6-oCJ
qJE(oo(JboCCJ
EE64o- E:
EA
J.;E6EE
Ca0
sg6--oEo)cJ-6Jc(!O
LY
(E-U=oJ
EO
Ctr
L6QJY
CP
L(E
ciaG
;J=U
Dl:
cErEcJ
Ctr.
c6L
_\ 0)
(E-
:6:YC
o-h'P
b6EE
__u0fo3EE
C(g -:l>
g
-aOJ
oLco',4GELo.CEEC6Ec,ovE6.C6EoE= .96,cs
Eo)CJ
c.9E.;(o:oc(o(o:f-oG
a5ocdL
EboJ=
e.=4' -_-G(c.QE
trE
d)o:boJoE.-
0)c_sk6:3E
Go-oE
E-o;F.9(,9O
-P
oG
9a,
o_
6CJ
c.)
Ct:oE.C(Eo(oc,c.!O
Jc{Jol(!
_oLo-C66CG-c(sE0lE6;.q-c6
=OJ
a)
CF6Eoo!6G-oGa6=Ecc)oc6Jlg(g
6Eo.E(EE6= .qG.C
j(oGI
0lLo6E.;(o5-(,rcuoC(!c)E()E€l-ooC
J
E'=rg
sq,,o_E(.)
E;.g::-:l66
E(ouoCbnEEa)PdLo= o
-o(EO
o-6u0q'*0)coo
I
5ecxoorJ-O
-o3'F
o,
E>
:oc
6=E
i:loE6qo
=u0
{Etr
f'ab8f9E
Osb.trtr6*.9xo6,
g.=loEE
d,O
'Puohotao-:
F{N
N(n
Eo:ZtJ1
\1 ,\3:
r:a
E5rtlE(ou0oLo-
slE=
EoY
\
OOc.l(L
il-il
o-c{o-
!-l)
N:)v\Z
ai]:z\Z
dN
rn
16o(uE
,
.s(!Eose
Goo
.L(Jct!(!!{,)llEoo-tr.g(!.L(gL.l
{!-Y-
b!:
i;iE.avo.(E-:sqZ0,a
q(t.:a lE
(!'9@
e-oi;E
e0o-va.o.-Jfl ;l!E
ox,oFzgil.hl
z, sz
ZF
<E
<6H
>6)*<
o!?L-r,-4.>(rar=E
Vv
q>=
z=
zfi
(,(9z(fF
Jzi,(,as1f3fi=
reE
EO
tr,<E
CLE
Et-
c(!c:qc@o-
?0lo/(!F
tthEt!utoo.l!o
=5{!=lE(E
s!)llEa)o-
.qIEal!I
LooEotnan.h
= toP(u
Eoo
.gl!tscoEd,
rio-g,bIc(!Ec,coo-ooG
oT'o
.r i ll/i1,
I t:a'://,
- a',7 Itl\
\
-tG=GG
3. Information retrieval model; Boolean model; vector space model; similarity measure, distance measure 4. Skema pembobotan; tf, log tf, idf, tf.idf 5. Evaluasi pada Information Retrieval; confusion matrix, recall, precision, f-measure, cross validation 6. Multimedia information retrieval; definisi dan contoh penerapan 7. Automated short answer scoring; penjelasan metode 8. Klasifikasi teks; naive bayes, knn 9. Text clustering; partitional dan hierarchical clustering 10. Seleksi fitur; supervised dan unsupervised feature selection 11. Text document summarization; definisi dan metode peringkasan dokumen teks 12. Relevance feedback dan query expansion; definisi dan metode
Pustaka
Utama : 1. Christopher D. Manning, Prabhakar Raghavan and Hinrich Schutze, Introduction to Information Retrieval, Cambridge University Press.
2008. 2. Bruce Croft, Donald Metzler, and Trevor Strohman, Search Engines: Information Retrieval in Practice, Pearson. 2009
Pendukung : 3. Suanmali et al, Fuzzy Logic Based Method for Improving Text Summarization 4. Ju Hong Lee et al, Automatic generic document summarization based on non-negative matrix factorization 5. Gleb Sizov, Extraction-Based Automatic Summarization 6. Chen et al, Turning from TF-IDF to TF-IGM for term weighting in text classification, 2016
Media Pembelajaran Perangkat Lunak : Perangkat Keras : Rapidminer, Python GUI Proyektor
Tim Teaching Dr. Muljono, S.Si, M.Kom
Mata Kuliah Syarat
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
b. TFIDF
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
b. Algoritme naïve bayes
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 [3]. RPS: Rencana Pembelajaran Semester, RMK: Rumpun Mata Kuliah, Prodi: Program Studi, STKI: Sistem Temu Kembali Informasi, MIR: Multimedia Information Retrieval
oVts'ton'!f;'fi:lir'r-._ uDrNUri _.s1)+n" *i$
'.ririilili$;'
I]M-U DiNi Li S-Br\4-04- 1 6lR0
PROGR{NT ]UAGI STER TEKNIK INFO RMA'TKAUNIVERSITAS DIAN I\ TISWANTORO
Jl. Irnarn BonjolNo. 207 Sernarang 50131, I'elp. (02a) 7A7%727, Telp lFax (024) 15,i7038Flomepage: wlr'w.dinus.ac.id e-mail: .: ,:: : i:r ; , : "
UJIAN AKHIR SEMESTER GENAP TAHUN zAM/2AL7LEMBAR SOAI
INFORMATION RETRIEVAL
Sebrrah dokumen mengandung 3 term/kata dengan frekuensi sebagai berikut: student=3;
faculty=2'Ltniversiql=L Diasumsikan terdapat 10.000 dokumen, dengan dacumentfrequencymasing-masing term adalah student=S}; faculty=1900; urufver:sity=??A. Hitung fltrf rnasing-masing term tersebut. [10 points)Hitung kemiripan antar dokumen L dan dokuinen 2 menggunakan cosines similarity. {10p0ints)
d1 = [5,0,3,0,2,0,0,2,0,0Jd2 = {3,0,2,0,1,1,0,1,0,1)
Terdapat dua buah term tr dan fz yang masing-masing aremiliki jumlah document
frer1uency pada 5 truah closs/kategori t1 = 1y3,1-,4,0,0i dan tz = {5,4,0,2,2}. Hitung nilai i:ai:otlgm pada masing-masing fernr tersebut dengan persamaan irerikut. [20 points]
igm(' ' fkr'n) - 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 ValueDecr:mposition ISVDJ. Matriks yang dibuat setiap mahasiswa tidak boleh san]a. (30 points]
3.
4.
Mata KuliahHari, TanggalKelompok
Informatian RetrievalRabu,?Slan ZALBXXKI
SifatWaktuDosen
Close Book19.10 - 21.00Dr. Muljono, S.Si., I(om.
Diperiksa oleh:Koordinator Matakuliah Information Retrieval
Disetujui oleh:Ketua Program Studi Magister Teknik
Infnrmatika
uljono, S.Si, M.Kom Dr. Moch Arief Soeleman, M.Kom