UNIVERSITAS MERCU BUANA FAKULTAS : ILMU KOMPUTER PROGRAM STUDI : SISTEM INFORMASI

No. Dokumen 02-3.04.1.02 Distribusi

Tgl. Efektif

RENCANA PEMBELAJARAN SEMESTER

Mata Kuliah Kode Rumpun MK Bobot (SKS) Semester Tanggal Penyusunan

Informartion Retrieval XXX 3 7 10-07-2017

Otorisasi

Dosen Pengemban RPS Koordinator RMK Ketua Program Studi

Hendra Prastiawan, S.SI., MT

Hendra Prastiawan, S.SI., MT

Nur Ani, ST, MMSI

Capaian Pembelajaran

CPL – Prodi

Mahasiswa mempelajari dan memahami prinsip, teknik, dan metode IR.

Mampu menyelesaikan masalah teknologi informasi dan komunikasi dengan keahlian komputasi cerdas dan visualisasi

CP – Mata Kuliah

Mahasiswa mampu mengaplikasikan prinsip, teknik, dan metode IR secara umum seperti pengindeksan, mesin pencari, klasifikasi, peringkasan dokumen, web search, dan berbagai aplikasi IR lainnya.

Mahasiswa dapat mengimplementasikan teknik IR dari berbagai bentuk dokumen teks, baik desktop maupun web.

Mahasiswa mendapat topik riset (skripsi), berlatih menelaah jurnal, dan presentasi.

Mahasiswa mengimplementasikan teknik-teknik penyelesaian masalah seperti pengindeksan, pencarian, pemrosesan query dalam kebutuhan temu kembali informasi.

Mahasiswa mampu membuat suatu mesin pencari untuk ektraksi informasi sebagai contoh implementasi sederhana dan mengkategorikan hasil demi kemudahan visualisasi.

Deskripsi Singkat Mata Kuliah

Matakuliah ini mempelajari prosedur-prosedur dan metode-metode untuk menemukan kembali informasi yang tersimpan dari berbagai sumber (resources) yang relevan atau koleksi sumber informasi yang dicari atau dibutuhkan. Dengan tindakan index (indexing), panggilan (searching), pemanggilan data kembali (recalling). Mahasiswa akan mempelajari teknik-teknik pengolahan data teks untuk menemukan kembali informasi pada data berbentuk teks. Bahasan perkuliahan meliputi pengolahan awal, ekstraksi fitur, penghitungan tingkat kemiripan teks sesuai masukan query, dan menampilkan hasil pencarian. Bahasan lanjut adalah teknik relevance feedback, klasifikasi dan klasterisasi teks untuk membantu

pengguna dalam pencarian. Mahasiswa akan merancang, menganalisis serta mengaplikasikan metode-metode sistem temu kembali informasi pada berbagai permasalahan nyata baik secara mandiri atau kerjasama tim.

Materi Pembelajaran/ Pokok Bahasan

1. Konsep dasar Information Retrieval (IR)

2. Pemodelan IR dan Evaluasi IR

3. Query Expansion dan Algoritma Rocchio

4. Text Classification dan Clustering

5. Probabilistic Information Retrieval, CLIR dan Web Information Retrieval

Pustaka Utama (1,2)

1. C.J. van Rijsbergen. Information Retrieval

2. Christopher D. Manning, Prabhakar Raghavan, Hinrich Schutze, Introduction to Information Retrieval, Cambridge University Press, 2008

Pendukung (3, 4, 5, 6, 7)

3. Baeza-Yates & Ribeiro-Neto, Modern Information Retrieval Complete, 2011

4. Gerald Kowalski, Information Retrieval Architecture and Algorithm, Springer, 2011

5. B. Croft, D. Metzler, & T. Strohman, Search Engines: Information Retrieval in Practice, Addison Wesley, 2009.

6. D. Grossman & O. Frieder, Information Retrieval: Algorithms and Heuristics 2nd Edition, Springer, 2004.

7. I. H. Witten, Managing Gigabytes, Morgan Kaufman, 1999

Media Pembelajaran

Perangkat Lunak Perangkat Keras

Team Teaching

Mata Kuliah Prasyarat

Sistem Basis Data

Minggu Ke-

Sub-CP-MK (Sebagai Kemampuan Akhir yang

diharapkan)

Materi Pembelajaran [Pustaka]

Indikator Kriteria & Bentuk Penilaian

Metode Pembelajaran

[estimasi waktu]

Pengalaman Belajar

Mahasiswa

Bobot Penilaian

(1) (2) (3) (4) (5) (6) (7) (8)

1. ● Membedakan antara

Information Retrieval dan

Data Mining serta

menggambarkan gagasan

tentang aplikasi

information retrieval

● Definisi

Information

Retrieval, Ruang

Lingkup dan

Penerapan

Information

● Dapat menjelaskan

definisi

information

retrieval,

memberikan

contoh information

retrieval, dan

● Penyampaian

materi

konsep,

sejarah,

lingkup dan

penerapan,

serta contoh

● Penyampaian

materi: 60

menit ● Diskusi

mahasiswa: 60

menit

● Mahasiswa

dapat

menjelaskan

definisi dan

konsep dari

information

retrieval serta

5%

Retrieval, Contoh

Information

Retrieval

merencanakan

suatu aplikasi

information

retrieval

information

retrieval ● Melakukan

tanya jawab

pemahaman

mahasiswa

● Presentasi hasil

diskusi: 30

menit

dapat

memberikan

contoh dari

information

retrieval

2. ● Memiliki kemampuan

dalam pemrosesan teks

dan kalimat dengan

menggunakan bahasa

pemrograman perl/phyton

● Pemrosesan Teks,

Pengantar bahasa

PERL/Phyton

● Dapat melakukan

pemrosesan teks

berupa kata dan

kalimat dengan

menggunakan

bahasa

pemrograman

perl/phyton

● Penyampaian

materi

mengenai

definisi

korpus

beserta

contohnya,

pemrosesan

kata yang

dimulai dari

melacak teks,

statistik teks

serta

menghitung

frekuensi

kata melalui

stopwords

dan

tokenisasi ● melakukan

simulasi

pemrosesan

teks

menggunaka

n bahasa

pemrograma

n perl/phyton

● Penyampaian

materi: 90

menit ● Pengantar

bahasa

pemrograman

perl/phyton

beserta simulasi

pemrosesan

teks: 60 menit

● Mahasiswa

dapat

memahami

pengertian

dari teks, kata

dan kalimat

dalam sebuah

pemrosesan

teks dengan

menggunakan

hukum Zipf ● Mahasiswa

dapat

melakukan

pemrosesan

teks dengan

menggunakan

bahasa

pemrograman

perl/phyton ● Mahasiswa

dapat

melakukan

beberapa

manipulasi

teks dengan

bahasa

pemrograman

perl/phyton

5%

3. ● Kemampuan dalam

pengindeksan secara

manual dan otomatis,

tokenisasi, stopwords, dan

stemming serta

pembobotan sebuah kata

● Inverted Text

● Indexing

● Tokenisasi

● Stopwords

● Stemming

● Pembobotan kata

● Dapat melakukan

pengindeksan teks,

pembagian teks

berupa kalimat,

paragraf, dan

dokumen ● Dapat melakukan

proses stopwords

dan stemming

untuk efisiensi dan

efektivitas

pemrosesan teks ● Dapat melakukan

pembobotan kata

dengan beberapa

pendekatan seperti

term frequency,

document

frequency, dan

inverse document

frequency

● Penyampaian

materi

mengenai

indexing,

tokenisasi,

stopwords,

dan proses

stemming ● Menyelesaik

an beberapa

contoh

pemrosesan

teks baik

berupa

kalimat

maupun

dokumen ● Memberikan

bobot pada

sebuah kata

didalam

pemrosesan

teks dengan

menggunaka

n beberapa

pendekatan

● Penyampaian

materi: 90

menit ● Latihan dan

penyelesaian

studi kasus: 60

menit

● Mahasiswa

dapat

mengetahui

dan

melakukan

tahapan-

tahapan

didalam

pemrosesan

teks dan juga

melakukan

pembobotan

kata

5%

4. ● Memiliki pengetahuan

mengenai pemodelan

Information Retrieval (IR)

seperti Boolean Model,

dan Vector Space Model

● Pemodelan IR ● Boolean Model ● Vector Space

Model

● Dapat

mendefinisikan

beberapa model

dari Information

Retrieval beserta

tahapan-tahapan

dari masing-

masing model IR

● Mendefinisik

an masing-

masing

model IR

beserta

proses-proses

didalamnya

● Penyampaian

materi: 90

menit ● Latihan dan

penyelesaian

studi kasus: 60

menit

● Mahasiswa

dapat

menjelaskan

model-model

IR beserta

memberikan

contoh dari

proses setiap

model IR

5%

5. ● Memiliki kemampuan

dalam mengukur tingkat

relevansi dan akurasi dari

pemrosesan teks

● Evaluasi IR:

Recall &

Precision, Single

Value Summaries,

User Oriented

Measures, Web

Search Approach

● Dapat melakukan

pengukuran dasar

keefektifan IR

untuk

mendapatkan

tingkat relevansi

dan akurasi dari

pemrosesan teks

● Melakukan

evaluasi IR

dari hasil

pemrosesan

teks yang

sudah

melalui

proses

perhitungan

dan

pengolahan

teks

● Penyampaian

Materi: 60

Menit ● Latihan dan

penyelesaian

studi kasus: 90

menit

● Mahasiswa

dapat

melakukan

pengukuran

evaluasi IR

untuk

mendapatkan

tingkat

relevansi dan

akurasi dari

hasil

pemrosesan

teks

5%

6. ● Memiliki kemampuan

untuk memberikan umpan

balik pada dokumen hasil

pemrosesan teks yang

dianggap relevan

● Memiliki kemampuan

untuk memformulasikan

query yang lebih baik

ketika tidak ada informasi

dari koleksi yang ada

● Relevance

Feedback ● Query Expansion

● Algoritma

Rocchio

● Dapat memberikan

umpan balik dari

dokumen hasil

pemrosesan teks

untuk

memformulasikan

query yang lebh

baik sehingga

dapat memperoleh

hasil yang lebih

relevan

● Penyampaian

materi

mengenai

Relevance

Feedback,

Query

Expansion

dan

Algoritma

Rocchio

disertai

dengan

penyelesaian

studi kasus

● Penyampaian

Materi: 60

Menit ● Latihan dan

penyelesaian

studi kasus: 90

menit

● Mahasiswa

dapat

memberikan

umpan balik

dan

memformulasi

kan kembali

query

sehingga

dapat

memperoleh

hasil yang

lebih relevan

5%

7. ● Memiliki kemampuan

untuk pengelompokan

dokumen ke dalam kelas

yang berbeda

● Text Classification ● Dapat

mengelompokan

dokumen-

dokumen ke dalam

kelas yang berbeda

● Penyampaian

materi

mengenai

Text

Classificatio

n yang

disertai

dengan

penyelesaian

studi kasus

● Penyampaian

Materi: 60

Menit ● Latihan dan

penyelesaian

studi kasus

mengenai Text

Classification:

90 menit

● Mahasiswa

mampu

mengelompok

an dokumen-

dokumen

kedalam kelas

yang berbeda

dari studi

kasus yang

diselesaikan

5%

8. Evaluasi tengah semester : melakukan validasi hasil penilaian, evaluasi dan perbaikan proses pembelajaran berikutnya 15%

9. ● Memiliki kemampuan

mengelompokkan

dokumen dengan teks

yang mirip memiliki

keterkaitan baik yang

memiliki kesamaan

semantik maupun

kesamaan statistik

● Clustering ● Partitional

Algorithm

● Hierarchical

Algorithms

● Dapat melakukan

proses clustering

dokumen dengan

menggunakan

salah satu

algoritma yang

tersedia

● Penyampaian

materi

mengenai

clustering

dalam IR

dengan

disertai

algoritma-

algoritma

yang tersedia

di dalam

proses

clustering

● Penyampaian

Materi: 60

Menit ● Latihan dan

penyelesaian

studi kasus

mengenai

Clustering: 90

menit

● Mahasiswa

mampu

mengelompok

an dokumen-

dokumen

dengan

menggunakan

algoritma

yang tersedia

di dalam

proses

clustering

5%

10. ● Memiliki kemampuan

untuk meringkas informasi

yang terdapat didalam

sebuah dokumen sehingga

menghasilkan suatu versi

yang ringkas untuk

pengguna informasi

● Peringkasan Teks

● Jenis Ringkasan ● Hasil Ringkasan

● Dapat melakukan

proses penyaringan

informasi yang

paling penting dari

suatu sumber (atau

beberapa sumber)

untuk

menghasilkan

suatu versi yang

ringkas untuk user.

● Penyampaian

materi dan

juga latihan

melakukan

proses

peringkasan

teks dari

beberapa

dokumen

● Penyampaian

Materi: 60

Menit ● Latihan dan

penyelesaian

studi kasus

mengenai Text

Summarization:

60 menit ● Diskusi

kelompok hasil

dari

peringkasan

teks: 60 menit

● Mahasiswa

dapat

melakukan

text

summarization

dari dokumen-

dokumen yang

tersedia

5%

11. ● Memiliki kemampuan

untuk memformulasikan

dan menerapkan Question

Answering System (QAS)

untuk mengevaluasi

pemrosesan teks

● Definisi QAS ● QA vs Search

Engine ● Pengembangan

QAS

● Definisi Passages

● Dapat menjelaskan

QAS dan

menerapkan QAS

didalam bagian

dari sebuah

pemrosesan teks

● Simulasi dari

penerapan

QAS

● Penyampaian

materi QAS: 60

menit ● Latihan dan

simulasi QAS:

90 menit

● Mahasiswa

dapat

memahami

dan penerapan

dari QAS

5%

12. ● Memiliki kemampuan

dalam menganalisa

kemungkinan-

lemungkinan yang muncul

dari hasil pemrosesan teks

untuk memastikan

kebutuhan user

● Probabilistic

relevance

feedback ● Probability

Ranking Principle ● Binary

Independence

Model

● Dapat memahami

mengenai

Probabilistic

relevance feedback

serta memberikan

contohnya

● Studi Kasus

penerapan

Probabilistic

relevance

feedback

● Diskusi

kelompok: 60

menit ● Penyelesaian

studi kasus: 90

menit

● Mahasiswa

dapat

memiliki

wawasan baru

mengenai

Probabilistic

relevance

feedback dan

dapat

menerapkanny

a didalam

studi kasus

yang sudah

diberikan

5%

13. ● Memiliki kemampuan

dalam membaca dan

menginterpretasikan

informasi dan

menggabungkannya

dengan informasi pada

bahasa-bahasa lain

● Cross-Language

Information

Retrieval (CLIR) ● Monolingual vs

CLIR

● Dokumen vs

Query

● Metode

Penterjemahan

● Mengimplementasi

kan dasar dari

mesin penterjemah

sehingga hasil

akan baik jika

query ditulis dalam

kalimat sesuai

dengan tata bahasa

yang baik

● Studi kasus

penerapan

CLIR dengan

bebrapa

metode

penterjemaha

n

● Penyampaian

materi: 60

menit ● Studi kasus

tentang CLIR:

90 menit

● Mahasiswa

dapat

menerapkan

konsep CLIR

dengan

menggunakan

beberapa

metode

penterjemahan

yang tersedia

5%

14. ● Memiliki kemampuan

dalam memahami web

search dan search engine

sebagai bagian dalam

Information Retrieval

● Dasar dan

komponen Web

Search

● Markov chain

● Mendefisikan dan

memberikan

contoh proses dari

Web Search dsn

Search Engine

● Penyampaian

materi

mengenai

Web Search

dan Search

Engine

● Penyampaian

materi: 90

menit ● Tanya jawab:

60 menit

● Mahasiswa

dapat

menjelaskan

penggunaan

Web Search

dan dapat

membedakann

ya dengan

Search Engine

5%

15. ● Mahasiswa dapat mengerti

tugas yang akan dikerjakan

● Final Project

Information

Retrieval

● Menyelesaikan

tugas akhir mata

kuliah Information

Retrieval

● Presentasi

kelompok

dengen

ketentuan: ● Slide 1:

sekilah

tentang topik

yang di

ambil ● Slide 2:

Ruang

lingkup dan

batasan ● Slide 3:

Arsitektur

sistem yang

dibuat ● Slide 4:

pembagian

tugas setiap

anggota ● Demo sisem

● Presentasi dan

penilaian: 150

menit

● Mahasiswa

mampu

menbuat

arsitektur

sistem dari

Information

Retrieval serta

mendemokann

ya

5%

16. Evaluasi Akhir Semester : Melakukan validasi penilaian akhir dan menentukan kelulusan mahasiswa 15%