0 penilaian0% menganggap dokumen ini bermanfaat (0 suara)
6 tayangan3 halaman
Presentasi menjelaskan metode Latent Semantic Analysis (LSA) untuk menemukan dokumen yang serupa, menggunakan algoritma TF/IDF dan menghitung tingkat kemiripan dengan kata kunci menggunakan vektor ruang model. Metode ini mudah diterapkan dan kinerjanya lebih baik daripada model vektor ruang biasa, meskipun memiliki representasi padat dan dimensi topik laten terbatas pada peringkat matriks. Analisis semantik laten menganalisis
Presentasi menjelaskan metode Latent Semantic Analysis (LSA) untuk menemukan dokumen yang serupa, menggunakan algoritma TF/IDF dan menghitung tingkat kemiripan dengan kata kunci menggunakan vektor ruang model. Metode ini mudah diterapkan dan kinerjanya lebih baik daripada model vektor ruang biasa, meskipun memiliki representasi padat dan dimensi topik laten terbatas pada peringkat matriks. Analisis semantik laten menganalisis
Presentasi menjelaskan metode Latent Semantic Analysis (LSA) untuk menemukan dokumen yang serupa, menggunakan algoritma TF/IDF dan menghitung tingkat kemiripan dengan kata kunci menggunakan vektor ruang model. Metode ini mudah diterapkan dan kinerjanya lebih baik daripada model vektor ruang biasa, meskipun memiliki representasi padat dan dimensi topik laten terbatas pada peringkat matriks. Analisis semantik laten menganalisis
Jawap : Metode Latent Semantic Analysis (LSA) berfungsi untuk mencari dokumen yang memiliki kesamaan teks terhadap dokumen lain yang ada di dalam database. Algoritma yang digunakan adalah Algoritma TF/ID, dan untuk melihat tingkat kedekatan atau kesamaan
Pertanyaan kelompok 3.
Setelah mendapatkan tahap-tahap metode hasil akhir apa yang digunakan?
Jawap : Hasil akhir selanjutnya dihitung tingkat kemiripannya dengan kata kunci (query) menggunakan perhitungan vektor space model. Tahapan implementasi TF/IDF agar lebih jelas dibuat contoh kata kunci (Q=query) dan dokumen (D=4), seperti dibawah ini: Kata kunci (Q) =Analisis pada dokumen otomatis menggunakan metode LSA Dokumen 1 (D1) = Sistem analisis dokumen teks Dokumen 2 (D2) = Penilaian sistem dokumen teks terhadap dokumen otomatis Dokumen 3 (D3) = dalam sistem dokumen teks pada algoritma TF/IDF dan LSA Dokumen 4 (D4) = Analisis sistem pada dokumen otomatis untuk proses clustering dokumen menggunakan LSA dan TF/IDF
Pertanyaan kelompok 4.
Kelebihan dan kekurangan dari jurnal yang di review ?
Jawap : Kelebihan 1. Mudah diterapkan, dipahami, dan digunakan. Ada banyak implementasi praktis dan terukur yang tersedia 2. Kinerja: LSA mampu memastikan hasil yang layak, jauh lebih baik daripada model ruang vektor biasa. Ini bekerja dengan baik pada dataset dengan beragam topik. Kekurangan
1. Representasi padat, sehingga sulit untuk diindeks berdasarkan dimensi
individu. 2. Dimensi topik laten tidak dapat dipilih ke angka sewenang-wenang. Itu tergantung pada peringkat matriks, jadi tidak bisa lebih dari itu.
Pertanyaan kelompok 5
Jelaskan 7 poin dari metode yang digunakan ?
Jawap : TF adalah jumlah muculnya suatu term dalam suatu dokumen DF adalah banyak dokumen yang mengandung kata yang dicari IDF adalah log W adalah bobot dokumen ke-d terhadap kata ke-t Query adalah format bahasa permintaan yang di imput dimasukan oleh pengguna kedalam STBI
Pertanyaan kelompok 6.
Apa yang dimaksud dengan latent semantik.?
Jawap : Analisis semantik laten adalah teknik dalam pemrosesan bahasa alami, khususnya semantik distribusi, menganalisis hubungan antara sekumpulan dokumen dan istilah yang dikandungnya dengan menghasilkan sekumpulan konsep yang terkait dengan dokumen
Pertanyaan kelompok 8
TF ID algaritma itu apa ?
Jawap : TF adalah jumlah munculnya suatu term dalam suatu dokumen, IDF adalah perhitungan logaritma pembagian jumlah dokumen dengan frekuensi dokumen yang memuat suatu term, dan TF/IDF adalah hasil perkalian nilai TF dengan IDF untuk sebuah term dalam dokumen