Perbandingan Vector Space Model dan Model Transformasi Fourier Diskret untuk temu kembali informasi

Abstract

Temu kembali informasi sudah menjadi kegiatan sehari-hari yang biasa dilakukan. Untuk mendapatkan informasi menjadi sangat mudah dengan menggunakan mesin pencari di internet. Namun ada faktor-faktor yang mempersulit kegiatan temu kembali informasi. Faktor seperti pengguna yang kurang paham dengan topik yang akan dicari dapat terjadi. Selain faktor pengguna ada juga faktor dari mesin karena hasil pencarian mesin pencari satu dengan yang lain berbeda. Untuk mendapatkan hasil yang tepat tentunya perlu menggunakan metode yang tepat saat diterapkan pada mesin pencari. Pada skripsi ini membuat mesin pencari untuk teks secara offline. Ada berbagai macam metode untuk melakukan temu kembali informasi. Salah satu metode temu kembali informasi dapat menggunakan Vector Space Model. Vector Space Model akan merepresentasikan dokumen menjadi vektor dan untuk menghitung kemiripan antara dokumen dapat dihitung dengan metode cosine distance. Cara lain dalam melakukan temu kembali informasi adalah dengan metode Fourier Transform. Pada Fourier Transform, query diubah menjadi spektrum dan dokumen-dokumen menjadi sekumpulan filter. Untuk melakukan Fourier Transform, terdapat dua metode yaitu Discrete Fourier Transform dan Fast Fourier Transform. Fast Fourier Transform merupakan pengembangan dari Discrete Fourier Transform. Skripsi ini membahas dan menguji performa dari Fourier Transform dan Vector Space Model dengan menggunakan consine distance. Ada beberapa cara untuk mengukur performa dari mesin pencari. Dalam penelitian ini ukuran yang dipakai adalah waktu pemrosesan, average precision(AVP), F-measurement, precision, recall, dan Discounted Cumulative Gain(DCG). Dari hasil penelitian didapatkan performa Fast Fourier Transform bekerja lebih baik daripada Vector Space Model dengan Cosine Distance. Namun untuk query yang pendek Vector Space Model bekerja lebih baik daripada Fast Fourier Transform.