Article Per Year (5 Year)
p-Index From 2020 - 2025
0
P-Index
This Author published in this journals
All Journal Jurnal Buana Informatika
Resti Ludviani
Unknown Affiliation
Computer Science & IT

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 6 Documents
Search

 1 
Pengelompokan Dokumen Menggunakan Dokumen Berlabel dan Tidak Berlabel Dengan Pendekatan Modified Heuristic Fuzzy Co-Clustering Hayati, Khadijah F.; Ludviani, Resti; Rosyadi, Arini R.
Jurnal Buana Informatika Vol 6, No 2 (2015): Jurnal Buana Informatika Volume 6 Nomor 2 April 2015
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (366.123 KB)

Abstract

Pengelompokan dokumen merupakan suatu metode yang digunakan untuk dapatmengelompokkan suatu data berupa dokumen teks sesuai dengan kategori dari informasiyang dimiliki. Akan tetapi dengan banyaknya dokumen teks yang bervariasi menyebabkanbeberapa masalah timbul dari proses pengelompokan dokumen. Salah satu diantaranyaadalah hasil pengelompokan yang bersifat hard clustering. Hal ini disebabkan karenaproses pengelompokan yang diterapkan merupakan metode unsupervised. Berdasarkanhal tersebut maka diajukan suatu metode pengelompokan yang mengunakan AlgoritmaHeuristic Fuzzy Co-clustering dengan menerapkan metode semi-supervised yangmenggunakan dokumen berlabel sebagai proses pembelajarannya. Hasil uji cobaterhadap metode yang diusulkan menunjukkan Algoritma Heuristic Fuzzy Co-clusteringusulan terbaik dicapai pada kondisi Tu=Tv=dan 0,01 dengan nilai precission 0,19 danrecall 0,16. Algoritma Modified Heuristic Fuzzy Co-clustering yang diusulkanmemberikan hasil lebih stabil dibandingkan dengan hasil pengelompokan AlgoritmaHeuristic Fuzzy Co-clustering.
Optimasi Pembobotan pada Query Expansion dengan Term Relatedness to Query-Entropy based (TRQE) Ludviani, Resti; Hayati, Khadijah F.; Arifin, Agus Zainal; Purwitasari, Diana
Jurnal Buana Informatika Vol 6, No 3 (2015): Jurnal Buana Informatika Volume 6 Nomor 3 Juli 2015
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (297.228 KB)

Abstract

Abstract. An appropriate selection term for expanding a query is very important in query expansion. Therefore, term selection optimization is added to improve query expansion performance on document retrieval system. This study proposes a new approach named Term Relatedness to Query-Entropy based (TRQE) to optimize weight in query expansion by considering semantic and statistic aspects from relevance evaluation of pseudo feedback to improve document retrieval performance. The proposed method has 3 main modules, they are relevace feedback, pseudo feedback, and document retrieval. TRQE is implemented in pseudo feedback module to optimize weighting term in query expansion. The evaluation result shows that TRQE can retrieve document with the highest result at precission of 100% and recall of 22,22%. TRQE for weighting optimization of query expansion is proven to improve retrieval document.     Keywords: TRQE, query expansion, term weighting, term relatedness to query, relevance feedback Abstrak..Pemilihan term yang tepat untuk memperluas queri merupakan hal yang penting pada query expansion. Oleh karena itu, perlu dilakukan optimasi penentuan term yang sesuai sehingga mampu meningkatkan performa query expansion pada system temu kembali dokumen. Penelitian ini mengajukan metode Term Relatedness to Query-Entropy based (TRQE), sebuah metode untuk mengoptimasi pembobotan pada query expansion dengan memperhatikan aspek semantic dan statistic dari penilaian relevansi suatu pseudo feedback sehingga mampu meningkatkan performa temukembali dokumen. Metode yang diusulkan memiliki 3 modul utama yaitu relevan feedback, pseudo feedback, dan document retrieval. TRQE diimplementasikan pada modul pseudo feedback untuk optimasi pembobotan term pada ekspansi query. Evaluasi hasil uji coba menunjukkan bahwa metode TRQE dapat melakukan temukembali dokumen dengan hasil terbaik pada precision  100% dan recall sebesar 22,22%.Metode TRQE untuk optimasi pembobotan pada query expansion terbukti memberikan pengaruh untuk meningkatkan relevansi pencarian dokumen.Kata Kunci: TRQE, ekspansi query, pembobotan term, term relatedness to query, relevance feedback
Optimasi Pembobotan pada Query Expansion dengan Term Relatedness to Query-Entropy based (TRQE) Ludviani, Resti; Hayati, Khadijah F.; Arifin, Agus Zainal; Purwitasari, Diana
Jurnal Buana Informatika Vol 6, No 3 (2015): Jurnal Buana Informatika Volume 6 Nomor 3 Juli 2015
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (297.228 KB) | DOI: 10.24002/jbi.v6i3.433

Abstract

Abstract. An appropriate selection term for expanding a query is very important in query expansion. Therefore, term selection optimization is added to improve query expansion performance on document retrieval system. This study proposes a new approach named Term Relatedness to Query-Entropy based (TRQE) to optimize weight in query expansion by considering semantic and statistic aspects from relevance evaluation of pseudo feedback to improve document retrieval performance. The proposed method has 3 main modules, they are relevace feedback, pseudo feedback, and document retrieval. TRQE is implemented in pseudo feedback module to optimize weighting term in query expansion. The evaluation result shows that TRQE can retrieve document with the highest result at precission of 100% and recall of 22,22%. TRQE for weighting optimization of query expansion is proven to improve retrieval document.     Keywords: TRQE, query expansion, term weighting, term relatedness to query, relevance feedback Abstrak..Pemilihan term yang tepat untuk memperluas queri merupakan hal yang penting pada query expansion. Oleh karena itu, perlu dilakukan optimasi penentuan term yang sesuai sehingga mampu meningkatkan performa query expansion pada system temu kembali dokumen. Penelitian ini mengajukan metode Term Relatedness to Query-Entropy based (TRQE), sebuah metode untuk mengoptimasi pembobotan pada query expansion dengan memperhatikan aspek semantic dan statistic dari penilaian relevansi suatu pseudo feedback sehingga mampu meningkatkan performa temukembali dokumen. Metode yang diusulkan memiliki 3 modul utama yaitu relevan feedback, pseudo feedback, dan document retrieval. TRQE diimplementasikan pada modul pseudo feedback untuk optimasi pembobotan term pada ekspansi query. Evaluasi hasil uji coba menunjukkan bahwa metode TRQE dapat melakukan temukembali dokumen dengan hasil terbaik pada precision  100% dan recall sebesar 22,22%.Metode TRQE untuk optimasi pembobotan pada query expansion terbukti memberikan pengaruh untuk meningkatkan relevansi pencarian dokumen.Kata Kunci: TRQE, ekspansi query, pembobotan term, term relatedness to query, relevance feedback
Pengelompokan Dokumen Menggunakan Dokumen Berlabel dan Tidak Berlabel Dengan Pendekatan Modified Heuristic Fuzzy Co-Clustering Hayati, Khadijah F.; Ludviani, Resti; Rosyadi, Arini R.
Jurnal Buana Informatika Vol 6, No 2 (2015): Jurnal Buana Informatika Volume 6 Nomor 2 April 2015
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v6i2.409

Abstract

Pengelompokan dokumen merupakan suatu metode yang digunakan untuk dapatmengelompokkan suatu data berupa dokumen teks sesuai dengan kategori dari informasiyang dimiliki. Akan tetapi dengan banyaknya dokumen teks yang bervariasi menyebabkanbeberapa masalah timbul dari proses pengelompokan dokumen. Salah satu diantaranyaadalah hasil pengelompokan yang bersifat hard clustering. Hal ini disebabkan karenaproses pengelompokan yang diterapkan merupakan metode unsupervised. Berdasarkanhal tersebut maka diajukan suatu metode pengelompokan yang mengunakan AlgoritmaHeuristic Fuzzy Co-clustering dengan menerapkan metode semi-supervised yangmenggunakan dokumen berlabel sebagai proses pembelajarannya. Hasil uji cobaterhadap metode yang diusulkan menunjukkan Algoritma Heuristic Fuzzy Co-clusteringusulan terbaik dicapai pada kondisi Tu=Tv=dan 0,01 dengan nilai precission 0,19 danrecall 0,16. Algoritma Modified Heuristic Fuzzy Co-clustering yang diusulkanmemberikan hasil lebih stabil dibandingkan dengan hasil pengelompokan AlgoritmaHeuristic Fuzzy Co-clustering.
Pengelompokan Dokumen Menggunakan Dokumen Berlabel dan Tidak Berlabel Dengan Pendekatan Modified Heuristic Fuzzy Co-Clustering Khadijah F. Hayati; Resti Ludviani; Arini R. Rosyadi
Jurnal Buana Informatika Vol. 6 No. 2 (2015): Jurnal Buana Informatika Volume 6 Nomor 2 April 2015
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v6i2.409

Abstract

Pengelompokan dokumen merupakan suatu metode yang digunakan untuk dapatmengelompokkan suatu data berupa dokumen teks sesuai dengan kategori dari informasiyang dimiliki. Akan tetapi dengan banyaknya dokumen teks yang bervariasi menyebabkanbeberapa masalah timbul dari proses pengelompokan dokumen. Salah satu diantaranyaadalah hasil pengelompokan yang bersifat hard clustering. Hal ini disebabkan karenaproses pengelompokan yang diterapkan merupakan metode unsupervised. Berdasarkanhal tersebut maka diajukan suatu metode pengelompokan yang mengunakan AlgoritmaHeuristic Fuzzy Co-clustering dengan menerapkan metode semi-supervised yangmenggunakan dokumen berlabel sebagai proses pembelajarannya. Hasil uji cobaterhadap metode yang diusulkan menunjukkan Algoritma Heuristic Fuzzy Co-clusteringusulan terbaik dicapai pada kondisi Tu=Tv=dan 0,01 dengan nilai precission 0,19 danrecall 0,16. Algoritma Modified Heuristic Fuzzy Co-clustering yang diusulkanmemberikan hasil lebih stabil dibandingkan dengan hasil pengelompokan AlgoritmaHeuristic Fuzzy Co-clustering.
Optimasi Pembobotan pada Query Expansion dengan Term Relatedness to Query-Entropy based (TRQE) Resti Ludviani; Khadijah F. Hayati; Agus Zainal Arifin; Diana Purwitasari
Jurnal Buana Informatika Vol. 6 No. 3 (2015): Jurnal Buana Informatika Volume 6 Nomor 3 Juli 2015
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24002/jbi.v6i3.433

Abstract

Abstract. An appropriate selection term for expanding a query is very important in query expansion. Therefore, term selection optimization is added to improve query expansion performance on document retrieval system. This study proposes a new approach named Term Relatedness to Query-Entropy based (TRQE) to optimize weight in query expansion by considering semantic and statistic aspects from relevance evaluation of pseudo feedback to improve document retrieval performance. The proposed method has 3 main modules, they are relevace feedback, pseudo feedback, and document retrieval. TRQE is implemented in pseudo feedback module to optimize weighting term in query expansion. The evaluation result shows that TRQE can retrieve document with the highest result at precission of 100% and recall of 22,22%. TRQE for weighting optimization of query expansion is proven to improve retrieval document.     Keywords: TRQE, query expansion, term weighting, term relatedness to query, relevance feedback Abstrak..Pemilihan term yang tepat untuk memperluas queri merupakan hal yang penting pada query expansion. Oleh karena itu, perlu dilakukan optimasi penentuan term yang sesuai sehingga mampu meningkatkan performa query expansion pada system temu kembali dokumen. Penelitian ini mengajukan metode Term Relatedness to Query-Entropy based (TRQE), sebuah metode untuk mengoptimasi pembobotan pada query expansion dengan memperhatikan aspek semantic dan statistic dari penilaian relevansi suatu pseudo feedback sehingga mampu meningkatkan performa temukembali dokumen. Metode yang diusulkan memiliki 3 modul utama yaitu relevan feedback, pseudo feedback, dan document retrieval. TRQE diimplementasikan pada modul pseudo feedback untuk optimasi pembobotan term pada ekspansi query. Evaluasi hasil uji coba menunjukkan bahwa metode TRQE dapat melakukan temukembali dokumen dengan hasil terbaik pada precision  100% dan recall sebesar 22,22%.Metode TRQE untuk optimasi pembobotan pada query expansion terbukti memberikan pengaruh untuk meningkatkan relevansi pencarian dokumen.Kata Kunci: TRQE, ekspansi query, pembobotan term, term relatedness to query, relevance feedback
Co-Authors Agus Zainal Arifin Agus Zainal Arifin Arini R. Rosyadi Diana Purwitasari Diana Purwitasari Khadijah F. Hayati