Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Proposal penelitian

553 views

Published on

Published in: Education, Business
  • Be the first to comment

  • Be the first to like this

Proposal penelitian

  1. 1. SIG 1 EKSTRAKSI TOPIK UTAMA HARIAN DARI PORTAL BERITA INDONESIA ONLINE MENGGUNAKAN SINGULAR VALUE DECOMPOTISION Oleh :ASHARI NURHIDAYAT (0706261562)
  2. 2. 2ISI PRESENTASI LATAR BELAKANG RUMUSAN MASALAH TUJUAN PENELITIAN METODOLOGI PENELITIAN RENCANA PENELITIAN DAFTAR PUSTAKA30/03/2012 Universitas Indonesia
  3. 3. 3Latar Belakang Sumber: google.co.id/publicdata Gambar 1. Grafik presentase pengguna Internet di Indonesia30/03/2012 Universitas Indonesia
  4. 4. 4 Latar Belakang (Cont’d...) 41% Akses internet 46% menggunakan Akses internet perangkat tidak menggunakan 13% bergerak HandphoneAkses internetmenggunakanperangkatbergerak lain Gambar 2. Grafik presentase pengguna Internet berdasar perangkat 30/03/2012 Universitas Indonesia
  5. 5. 5Latar Belakang (Cont’d...) Aktifitas 89 72 70 61 2010 SosMed Web SE Berita Gambar 3. presentase aktifitas online terpopuler30/03/2012 Universitas Indonesia
  6. 6. 6Latar Belakang (Cont’d...) Mudah diakses Berita Teraktual Dokumen tidak panjang namun jumlahnya banyak30/03/2012 Universitas Indonesia
  7. 7. 7Latar Belakang (Cont’d...) Kendala Banyaknya berita yang terpublikasi, maka hampir tidak mungkin untuk membaca satu-persatu. Pencarian Topik Utama Dibutuhkan untuk mengetahui trending topic dalam satu hari dan dapat dijadikan dasar pengambilan kebijakan.30/03/2012 Universitas Indonesia
  8. 8. 8Latar Belakang (Cont’d...) Ekstraksi Fitur mencari sekumpulan data yang jika dikombinasikan, dapat membentuk kembali kumpulan data semula (Toby Segaran: 2007) LSA Latent Semantic Analysis merupakan salah satu teknik untuk mengekstraksi topik utama dari kumpulan berita (Deerwester:1990). SVD Faktorisasi matriks menjadi tiga matriks yang lebih sederhana Fleksibel terhadap perubahan rank matriks30/03/2012 Universitas Indonesia
  9. 9. 9Latar Belakang (Cont’d...) Merubah dokumen menjadi vektor dan menggabungkan menjadi matriks. kata d1 d2 d3 .. dn kritik 1 0 1 .. BBM 0 2 1 .. naik 0 2 1 .. Dokumen : .. kebijakan 1 0 0 .. KataA=30/03/2012 Universitas Indonesia
  10. 10. 10 Latar Belakang (Cont’d...) Faktorisasi SVD n-Dokumen m n nm-Kata m = x m x n Dimana : = Matriks dokumen-kata sebenarnya = Matriks Ortogonal kiri = Matriks semidiagonal nialai singular (Golub:1996) = Matriks Ortogonal kanan 30/03/2012 Universitas Indonesia
  11. 11. 11 Latar Belakang (Cont’d...) Pengecilan rank SVD SVD fleksibel terhadap rank dari matriks, defiesnsi rank matriks akan dihitung dengan baik karena nilai-nilai singular memberikan indikasi kedekatan matriks awal dengan matriks lain yang memiliki rank lebih kecil n-Dokumen k m-k k n-k n km-Kata k = x x m m-k n-k (Golub:1996) 30/03/2012 Universitas Indonesia
  12. 12. 12 Latar Belakang (Cont’d...) Hasil dengan SVD n-Dokumen k k n km-Kata k = x x m Koleksi kata dari k topik utama 30/03/2012 Universitas Indonesia
  13. 13. 13Perumusan Masalah  bagaimana menganalisa penggunaan faktorisasi SVD pada metode LSA untuk mengekstraksi topik-topik utama harian kumpulan dokumen berita online berbahasa Indonesia?.30/03/2012 Universitas Indonesia
  14. 14. 14 Tujuan Penelitian Menganalisa penggunaan faktorisasi SVD pada metode LSA untuk mengekstraksi topik-topik utama harian kumpulan dokumen berita online berbahasa Indonesia.30/03/2012 Universitas Indonesia
  15. 15. 15Metodologi Penelitian • Interpretasi dan Analisa Hasil • Implementasi Algoritma dan Simulasi • Pengumpulan Data • Studi Literatur dan Perumusan Masalah30/03/2012 Universitas Indonesia
  16. 16. 16 Rencana Penelitian Bulan ke- Sistematika Penelitian 1 2 3 4 5Studi literaturPerancangan AlgoritmaPenulisan Algoritma dalam Bahasa ProgramPengumpulan DataSimulasiPenulisan Hasil Penelitian Tabel 1. Rencana Penelitian 30/03/2012 Universitas Indonesia
  17. 17. 17REFERENSI Deerwester, S. dkk. (1990). Indexing by Latent Semantic Analysis. Journal of American Society for Information Science (1986-1998), 41. Golub, H, Gene. Van Loan, Charles, F. (1996). Matrix Computations (3rd Ed.). London : The Jhons Hopkins Press Ltd. Murfi, Hendri. (2010). Machine Learning for Text Indexing. Disertasi. Berlin: Von der Fakultat IV -- Elektrotechnik und Informatik der Technischen Universitat. Segaran, Toby. (2007). Programming Collective Intelligence. Sebastopol, CA: O’Reilly Media, Inc. Wiemer-Hasting, Peter. (2004). Latent Semantic Analysis. Chicago: School of Computer Science, Telecommunications and Information Systems, DePaul University.30/03/2012 Universitas Indonesia
  18. 18. PERTANYAAN ?

×