The 6th International Conference on Cyber and IT Service Management (CITSM 2018)
Inna Parapat Hotel – Medan, August 7-9, 2018
Information Retrieval pada Dokumen Hadits
Terjemahan Bahasa Indonesia Menggunakan
Language Modelling
Ika Rahayu Ponilan, S.T1, Dr. Agus Suyadi Raharusun, M.Ag2
1
Fakultas Informatika, 2Fakultas Ushuluddin
1
Universitas Telkom, 2Universitas Islam Negeri Sunan Gunung Djati Bandung
1
ikaponilan@student.telkomuniversity.ac.id, 2agussuyadi@uinsgd.ac.id
Abstract- Hadits adalah perkataan (sabda), perbuatan, ketetapan
dan persetujuan dari Nabi Muhammad SAW yang dijadikan
landasan hukum syariat Islam setelah al-Qur'an. Saat ini telah
banyak website yang menyediakan informasi mengenai hadits
untuk memudahkan pengguna dalam proses pembelajaran
hadits, seperti website Lidwa Pustaka yang digunakan untuk
pencarian hadits terjemahan Bahasa Indonesia atau yang biasa
kita kenal sebagai Information Retrieval (IR).
Pada dasarnya, IR menyediakan kotak pencarian bagi pengguna
untuk memasukan query yang mencerminkan kebutuhan
informasi pengguna. Query yang dimasukan oleh pengguna
dicocokan (match) dengan indeks koleksi dokumen hadits untuk
menemukan hadits yang mengandung query tersebut, yang
kemudian diurutkan (ranking) berdasarkan berbagai metode
atau model. Namun demikian, proses pencarian hadits pada
Lidwa Pustaka menggunakan metode exact string matching, yang
mana dalam proses pencarian hadits terhadap query pengguna
harus sama seperti dokumen hadits secara berurutan per kata
(term), sehingga untuk pencarian secara partial matching
(pencocokan query pada masing-masing kata tanpa berurutan)
belum dapat dilakukan.
Penelitian ini bertujuan untuk memperbaiki sistem pencarian
hadits terjemahan Bahasa Indonesia tersebut, menggunakan
pendekatan probabilistik atau Language Modelling (LM), yaitu
Jelinerk-Mercer Smoothing, Dirichlet Smoothing dan Absolute
Discounting Smoothing. Metode smoothing tersebut dapat
melakukan pencarian hadits terhadap query pengguna secara
partial matching dan mengestimasi relevansi dokumen hadits
dengan menghitung nilai probabilitas kata yang tidak terlihat
(unseen word) pada masing-masing dokumen hadits terhadap
query, sehingga menghindari probabilitas 0 untuk proses
retrieval dokumen. Penelitian ini menghasilkan nilai relevansi
dokumen hadits terhadap query pengguna sebesar 26.54% untuk
Mean Average Precision di seluruh hadits, 24.16% untuk Mean
Average Precision@30 pada top 30 dokumen dan nilai recall@30
pada top 30 dokumen adalah sebesar 34.71% untuk metode
Dirichlet Smoothing.
Keywords—Information Retrieval, Hadits, Language Modelling,
Jelinerk-Mercer Smoothing, Dirichlet Smoothing, Absolute
Discounting Smoothing
I. PENDAHULUAN
A. Latar Belakang
Hadits adalah perkataan (sabda), perbuatan, ketetapan dan
persetujuan dari Nabi Muhammad SAW yang dijadikan
landasan hukum syariat Islam setelah al-Qur’an. Dalam hal
ini, hadits mempunyai kedudukan kedua sebagai sumber
hukum Islam setelah al-Qur'an. Mengingat kedudukan hadits
yang sangat penting bagi umat Islam, maka sangat penting
pula mempelajari pengetahuan tentang hadits. Dalam hal
memudahkan pengguna untuk proses pembelajaran hadits, saat
ini telah banyak website yang menyediakan informasi
mengenai hadits. Oleh karena itu, Information Retrieval (IR)
seperti search engine telah menjadi alat penting bagi
pengguna untuk mengambil informasi di website (Syazhween
Zulkefli, Rahman, & Bakar, 2016).
Pada dasarnya, IR menyediakan kotak pencarian bagi
pengguna untuk memasukan query yang mencerminkan
kebutuhan informasi pengguna, kemudian menemukan hadits
yang mengandung query tersebut, yang kemudian diurutkan
(ranking) berdasarkan berbagai metode atau model. Salah satu
model IR dari sisi pengguna (user task) adalah model klasik.
Konsep dari model klasik yaitu, dokumen direpresentasikan
dengan menggunakan indeks term dan bobot indeks term
menunjukkan spesifikasi untuk dokumen tertentu. Model
klasik terdiri dari model Boolean, model Vektor (Vector Space
Model) dan model Probabilistik atau LM (Song & Croft,
1999).
Pada penelitian (Amirah, Nur, Rahim, Mabni, Hanum, &
Rahman, 2016), untuk mendapatkan dokumen hadits yang
relevan dengan query, menggunakan model Vector Space
Model (VSM) dengan metode Latent Semantic Indexing (LSI).
Namun demikian, metode LSI ini memiliki kekurangan yaitu,
harus menentukan nilai k dimensi untuk pemotongan VSM
antara query dengan dokumen hadits, sehingga jika penentuan
nilai k kurang tepat, maka dokumen hadits yang relevan tidak
di-retrieeve oleh sistem. Pada penelitian (Amirah, Nur, Rahim,
Mabni, Hanum, & Rahman, 2016) menghasilkan nilai recall
sebesar 0.49, namun terlalu banyak dokumen yang
ditampilkan oleh sistem, sehingga nilai precision-nya hanya
0.029.
 The 6th International Conference on Cyber and IT Service Management (CITSM 2018)
Sistem pencarian hadits terjemahan Bahasa Indonesia yang
ada saat ini adalah website Lidwa Pustaka. Pencarian dalam
Lidwa Pustaka belum dapat menyelesaikan partial matching,
artinya tidak dapat menangani query yang hanya memiliki
kesamaan sebagian term saja dengan dokumen. Sebagai
contohnya adalah, pencarian menggunakan query “dilarang
kikir” menghasilkan nol dokumen hadits yang di-retrive oleh
sistem, sedangkan jika query-nya diubah menjadi “kikir” saja,
menghasilkan 18 dokumen hadits (terlalu umum). Artinya,
query “dilarang kikir” hanya memiliki kesamaan sebagian
terhadap term “kikir” saja, sehingga sistem belum bisa
menangani pencarian partial matching.
Berdasarkan permasalahan yang telah dijelaskan di atas,
penelitian ini menggunakan pendekatan LM untuk
menyelesaikannya. Berbeda dari kedua model sebelumnya,
LM mengasumsikan setiap term dalam query dianggap pasti
akan memiliki term yang sama dalam dokumen. Setiap term
dalam query diinisialisasi kemungkinan pasti memiliki
kemunculan dalam dokumen yang disebut sebagai term
frequency (tf) sesuai banyaknya term pada sebuah dokumen
yang dikenal dengan istilah inverted document frequency (idf)
sebagai acuan perankingan dokumen yang akan ditampilkan.
Hal ini menjelaskan bahwa, selain mampu melakukan
perangkingan dokumen, model ini juga mampu melakukan
partial matching query dengan dokumen yang dianggap sesuai
(Fuhr, 1992).
Pada penelitian ini menggunakan tiga metode probabilistik
(LM), yaitu Jelinerk-Mercer Smoothing, Dirichlet Smoothing
dan Absolute Discounting Smoothing. Penelitian ini
diharapkan dapat menghasilkan sistem pencarian relevan
hadits berdasarkan query pengguna, sehingga dapat
bermanfaat untuk pembalajaran hadits terutama bagi umat
muslim di Indonesia.
B. Tujuan
Mencari dokumen hadits yang relevan terhadap query
pengguna menggunakan pendekatan LM dan
membandingkannya dengan beberapa metode lain, seperti
pencarian menggunakan Lidwa Pustaka, LSI dan Cosine
Similarity.
II. LANDASAN TEORI
A. Information Retrieval (IR)
IR paling sering ditafsirkan sebagai masalah pemilihan
dokumen (teks) dari database sebagai respons terhadap query.
Dari sudut pandang ini, isu utama yang menjadi perhatian IR
adalah representasi dokumen dan query, dan teknik untuk
perbandingan representasi dokumen dan query (Belkin, 1993).
Pengertian lain menyatakan bahwa information retrieval
adalah proses yang berhubungan dengan representasi,
penyimpanan, pencarian dengan pemanggilan informasi yang
relevan dengan kebutuhan informasi yang diinginkan
pengguna. Sistem IR utamanya berhubungan dengan
pencarian informasi yang isinya tidak memiliki struktur,
demikian pula ekspresi kebutuhan pengguna yang disebut
Inna Parapat Hotel – Medan, August 7-9, 2018
query, juga tidak memiliki struktur. Hal inilah yang
membedakan IR dengan sistem basis data. Dokumen adalah
salah satu contoh informasi yang tidak terstruktur, karena isi
dari suatu dokumen sangat tergantung pada pembuat dokumen
tersebut.
B. Preprocessing
Preprocessing adalah strategi dan teknik yang saling
berkaitan untuk membuat data lebih mudah atau cocok untuk
digunakan dalam proses mining (Garcia, 2015). Preprocessing
atau text processing berfungsi untuk mengubah data teks yang
tidak terstruktur atau sembarang menjadi data yang terstruktur.
Secara umum proses yang dilakukan dalam tahapan
preprocessing adalah sebagai berikut:
1. Clean Symbols
Clean Symbols adalah proses penghapusan suatu
karakter yang bukan huruf atau angka di sebuah
dokumen.
2. Case Folding
Case folding adalah proses penyamaan case dalam
sebuah dokumen. Hal ini dilakukan untuk
mempermudah pencarian. Tidak semua dokumen teks
konsisten dalam penggunaan huruf kapital. Oleh karena
itu peran case folding dibutuhkan dalam mengkonversi
keseluruhan teks dalam dokumen menjadi suatu bentuk
standar (dalam huruf kecil/lowercase).
3. Tokenizing
Tokenizing adalah proses pemotongan sebuah dokumen
menjadi bagian-bagian yang disebut dengan token.
Pada saat bersamaan tokenizing juga berfungsi untuk
membuang beberapa karakter tertentu yang dianggap
sebagai tanda baca.
4. Stopword Removal
Stopword Removal adalah proses penghilangan kata-
kata yang tidak memiliki kontribusi banyak pada isi
dokumen (Baeza-Yates, Ricardo, & Berthier, 1999).
Kata-kata yang termasuk kedalam stopword
dihilangkan karena memberikan pengaruh tidak baik
pada data teks seperti kata-kata “dan”, “pada”, “ke”,
dan lain-lain (Gustafson & Ng, 2008).
5. Stemming
Stemming adalah proses yang bertujuan untuk
melakukan normalisasi pada teks/kata berdasarkan
pada bentuk dasar. Normalisasi di sini dalam artian
mengidentifikasikan dan menghapus prefiks serta
suffiks dari sebuah kata (Nirenburg, 2009).
C. Term Weighting
Term weighting adalah metode pembobotan term (kata)
yang memberikan sebuah bobot nilai bagi term yang terdapat
dalam sebuah dokumen. Bobot nilai ini menjadi sebuah
ukuran besarnya jumlah dan tingkat konstribusi sebuah term
terhadap suatu dokumen. Besar atau kecilnya bobot suatu term
pada suatu dokumen, tergantung pada metode pembobotan
yang digunakan dan persebaran term tersebut di seluruh
kumpulan dokumen (Lan, 2006).
The 6th International Conference on Cyber and IT Service Management (CITSM 2018)
Inna Parapat Hotel – Medan, August 7-9, 2018

Terdapat beberapa metode pembobotan dalam text mining C. Language Modelling

diantaranya adalah TF, TF·IDF, WIDF, TF·CHI, dan TF·RF, Define abbreviations and acronyms the first time they are
namun dalam penelitian ini menggunakan metode pembobotan used in the text, even if they have been defined in the abstract.
TF untuk LM dan TF.IDF untuk LSI dan Cosine Similarity. Abbreviations such as IEEE, SI, MKS, CGS, ac, dc, and rms
1. Term Frequency do not have to be defined. Do not use abbreviations in the title
Term Frequency atau sering disebut juga TF, adalah unless they are unavoidable.
salah satu metode pembobotan term yang paling
sederhana. Pada metode ini, setiap term diasumsikan D. Performance Evaluation
memiliki proporsi kepentingan sesuai dengan jumlah
terjadinya (munculnya) term tersebut dalam dokumen.
Dengan metode ini, nilai kontribusi (bobot) suatu term III. METODOLOGI PENELITIAN DAN
pada suatu dokumen adalah sama dengan jumlah RANCANGAN SISTEM
munculnya term tersebut pada dokumen. Bobot term (t)
pada dokumen (d) diberikan dengan persamaan 1
sebagai berikut (Tokunaga, 1994):
! ", $ = &'(", $) (1)
IV. HASIL DAN ANALISIS

Keterangan:
V. KESIMPULAN DAN SARAN
TF (d, t) adalah frekuensi munculnya term t pada
dokumen d.
ACKNOWLEDGMENT
2. Inverse Documents Frequency(IDF)
Pembobotan menganggap bahwa term yang sering The preferred spelling of the word “acknowledgment” in
muncul kurang informatif dibanding term yang jarang America is without an “e” after the “g.” Try to avoid the
muncul. Sehingga pembobotan ini memanfaatkan stilted expression, “One of us (R. B. G.) thanks …” Instead,
document frequency (DF) sebagai komponen try “R.B.G. thanks …” Put sponsor acknowledgments in the
perhitungan. DF berisi jumlah dokumen yang unnumbered footnotes on the first page.
didalamnya terdapat term t. Semakin sering muncul,
maka term tersebut dianggap kehilangan keunikannya
dan tidak merepresentasikan topik dari dokumen.
Rumus IDF dapat dilihat pada persamaan 2 sebagai
berikut:
𝑁 REFERENCES
𝐼𝐷𝐹(𝑡) = 𝑙𝑜𝑔 (2)
df (𝑡)
Keterangan: [1] G. Eason, B. Noble, and I.N. Sneddon, “On certain integrals of
Lipschitz-Hankel type involving products of Bessel functions,” Phil.
N: jumlah dokumen. Trans. Roy. Soc. London, vol. A247, pp.529-551, April 1955.
df (t): jumlah dokumen yang mengandung kata t. [2] J. Clerk Maxwell, A Treatise on Electricity and Magnetism, 3rd ed., vol.
2. Oxford: Clarendon, 1892, pp.68-73.
3. Kombinasi TF.IDF [3] I.S. Jacobs and C.P. Bean, “Fine particles, thin films and exchange
anisotropy,” in Magnetism, vol. III, G.T. Rado and H. Suhl, Eds. New
Ini adalah pembobotan yang paling populer dan sering York: Academic, 1963, pp.271-350.
digunakan untuk pengolahan data teks. Pembobotan ini [4] K. Elissa, “Title of paper if known,” unpublished.
menggabungkan pembobotan TF yang menjadikan [5] R. Nicole, “Title of paper with only first word capitalized,” J. Name
dokumen sebagai titik acuan secara parsial dengan IDF Stand. Abbrev., in press.
[6] Y. Yorozu, M. Hirano, K. Oka, and Y. Tagawa, “Electron spectroscopy
yang mengacu pada seluruh dokumen yang ada. studies on magneto-optical media and plastic substrate interface.” IEEE
Kombinasi ini akan membuat kata yang sering muncul Transl. J. Magn. Japan, vol. 2, pp.740-741, August 1987 [Digests 9th
pada sebuah dokumen tapi jarang muncul di dokumen Annual Conf. Magnetics Japan, p.301, 1982].
lain, akan memiliki bobot yang tinggi. Namun tidak [7] M. Young, The Technical Writer’s Handbook. Mill Valley, CA:
University Science, 1989.
untuk kata yang frekuensi kemunculannya tinggi, dan
ada di seluruh dokumen, bobotnya akan rendah karena
tidak unik, sehingga akan menghasilkan pembobotan
yang proporsional. Formula untuk metode ini terdapat
pada persamaan 2.4 berikut ini:
!". $%" &, ( = !" &, ( . $%"(() (3)