VEKTORISASI DOKUMEN

Budi Susanto

Tujuan

� Memahami metode-metode yang diterapkan untuk pembentukan vektor dokumen

Pendahuluan

� Dokumen bukanlah data terstruktur karena jauh dari bentuk tabel (baris dan kolom).

� Perlu metodologi pembentukan suatu data terstruktur untuk mewakili dokumen.

� Langkah awal adalah harus menentukan features yang mewakiliki seluruh kumpulan dokumen.

Koleksi Dokumen

� Dalam suatu permasalahan text mining, dokumen-dokumen yang akan diproses harus diidentifikasikan.

�  Intervensi manusia dalam pengumpulan dokumen dapat mengontrol integritas proses koleksi dokumen

�  Selanjutnya fokus pada pembersihan dokumen-dokumen tersebut dan memastikan berkualitas.

Koleksi Dokumen

� Ketika koleksi dokumen dalam jumlah yang sangat besar, terkadang dibutuhkan penerapan teknik data sampling: ◦ Untuk memilih himpunan dokumen yang

relevan �  Contoh berdasar timestamp �  Contoh lain berdasar kemiripan dokumen

Koleksi Dokumen � Marijn Koolen dan Jaap Kamps (2010)

mengungkapkan bahwa: ◦  The amount of relevant information increases with

collection size. �  Menambahkan dokumen ke dalam koleksi akan

menyebabkan semakin berkurangnya informasi yang dikebalikan: karena semakin banyak informasi yang sudah ditutupi oleh koleksi, maka akan semakin sulit menambahkan informasi baru.

◦  The amount of redundant information increases with collection size. �  Redudansi informasi akan menyebabkan kolek dokumen

yang besar berpotensi merugikan.

http://dl.acm.org/citation.cfm?id=1835586&dl=ACM&coll=DL&CFID=155824736&CFTOKEN=35757112

Koleksi Dokumen

Memilih Sampling

� Pendekatan umum: ◦ Dipilih secara acak n% dari m dokumen ◦  Pendekatan Kennard-Stone

Pendeteksi Duplikasi Dokumen

� Conrad et al. (2004) mengatakan “dua dokumen adalah near duplicate jika berbagi lebih dari 80% terminologi yang sama dan perbedaan panjang keduanya tidak lebih dari 20%. ◦  Pemanfaatan nilai hash (MD5 misalnya)

terhadap tiap dokumen (exact duplicate) ◦ Menerapkan Shingles (Word N-grams) ◦  Jarak dengan Jaccar, SMC, Cosine

K-Shingling �  K-Singling suatu dokumen mentransformasikan

dokumen ke dalam suatu himpunan yang berisi semua window dari k kata bersambungan. ◦  Contoh: “Nama saya text dan web mining. Matakuliah ini

adalah luar biasa.” ◦  4-singles = {

�  nama saya text dan �  Saya text dan web �  Text dan web mining �  Dan web mining matakuliah �  Web mining matakuliah ini �  Mining matakuliah ini adalah �  Matakuliah ini adalah luar �  Ini adalah luar biasa ◦  }

K-Shingling

�  Sk(d) menyatakan k-shingling dokumen d � Ressemblance (kemiripan) d1 dan d2

R(d1,d2) = |Sk(d1) ∩ Sk(d2)| / |Sk(d1) ∪ Sk(d2)|

� Ukuran jarak d1 dan d2

Δ(d1,d2)  =  1-­‐R(d1,d2)  

Jaccard dan SMC

�  SMC (Simple Matching Coefficient)

�  jaccard

Cossine

�  Sering digunakan untuk frekuensi kemunculan kata suatu dokumen

Beberapa Koleksi

� Reuters corpus RCV1 � Brown corpus � Lancaster-Oslo-Bergen corpus (LOB) � Penn Tree Bank � TREC (Text Retrieval and Evaluation

Conferences) � Gutenberg Project � MEDLINE

Standarisasi Dokumen

� Koleksi dokumen juga sebaiknya di simpan dalam suatu format dokumen yang seragam. ◦  Format XML menjadi pilihan terbaik. ◦ DBMS yang mendukung penyimpanan teks

dapat dimanfaatkan.

Deretan Karakter � Hal pertama yang perlu dipertimbangkan

adalah format character set yang digunakan. ◦  ASCII tidak menjadi masalah ◦  Bagaimana dengan UTF, UNICODE? ◦  Bagaimana dengan dokumen MS WORD? ◦  XML? yang mengandung entitas karakter  

© dan sebagainya.

�  Sistem penulisan karakter ◦  Arabic apakah sama dengan Latin atau Katagana

atau sejenis yang lain?

Unit Dokumen

�  File dalam suatu folder � Email dalam suatu inbox ◦ Mengandung attachment

�  Sebuah file EPUB terdiri dari beberapa file HTML.

Bagaimana Anda melakukan Tokenisasi?

JEJU, KOMPAS.com - Persediaan tuna global menipis akibat penangkapan berlebih. Menurut daftar merah International Union for Conservation of Nature (IUCN), saat ini lima dari delapan spesies tuna tergolong kategori terancam atau hampir punah. Para pemerhati konservasi mengemukakan peringatan mengenai hal ini pula dalam Kongres Konservasi Dunia (World Conservation Congress) IUCN di Jeju, Korea Selatan, hari Sabtu (8/9). Tuna sirip biru Atlantik adalah yang paling terancam ketersediaannya. Ikan ini merupakan favorit para pecinta makanan sushi Jepang, dan dihargai tinggi. Rekor tertinggi seekor ikan dengan berat 592 pon (269 kilogram) pernah dinilai seharga 56,49 juta yen (sekitar 737.000 USD).

http://sains.kompas.com/read/2012/09/12/20015474/Lima.dari.Delapan.Spesies.Tuna.Hampir.Punah

Tokenisasi

� A token is an instance of a sequence of characters in some particular document that are grouped together as a useful semantic unit for processing.

� A type is the class of all tokens containing the same character sequence.

� A term is a (perhaps nor- malized) type that is included in the IR system’s dictionary.

Tokenisasi

� Pada pendekatan modern, yang tersimpan dalam index atau vektor adalah suatu bentuk token yang telah melalui proses normalisasi. ◦ Tokenisasi perlu juga memperhatikan bahasa

yang digunakan dalam dokumen. ◦ Terdapat beberapa token yang tidak umum �  Singkatan �  Sebutan suatu produk �  Email, url, nomor nota, dan sebagainya

Identifikasi Bahasa

� Latih pengenalan suatu identifikasi bahasa berdasar suatu corpus teks besar dari suatu bahasa terpilih. ◦  Pelatihan yang dimaksud untuk mendapatkan

frekuensi/kompresi terhadap kemunculan n-gram.

� Gunakan hasil pelatihan untuk menilai teks yang baru.

Pelatihan Identifikasi Bahasa

� Untuk tiap corpus, kumpulkan statistik kemunculan dari kemunculan n-gram dalam corpus c dengan panjang |c|.

� Hitung probabilitas kemunculan n-gram i

William B. Cavnar and John M. Trenkle, N-Gram-Based Text Categorization.

Identifikasi Bahasa suatu Teks

� Untuk setiap pengenal bahasa ◦ Untuk sebuah dokumen tidak dikenal, hitung

statistik kemunculan dari n-gram dalam dokumen d dengan panjang |d|. ◦ Hitung probabilitas kemunculan n-gram j

� Hitung jarak dengan model tiap bahasa

N-Gram-Based Text Categorization

Contoh sederhana

Sample 1 Test Sample 2 Test

Saya makan nasi makan I eat rice makan

say 1 0.0769 i e 1 0.125

aya 1 0.0769 ea 1 0.125

ya 1 0.0769 eat 1 0.125

a m 1 0.0769 at 1 0.125

ma 1 0.0769 t r 1 0.125

mak 1 0.0769 1 0.3333 0.256410256 ri 1 0.125

aka 1 0.0769 1 0.3333 0.256410256 ric 1 0.125

kan 1 0.0769 1 0.3333 0.256410256 ice 1 0.125

an 1 0.0769

n n 1 0.0769 0 mak 1 0.3333 0.333333333

na 1 0.0769 0 aka 1 0.3333 0.333333333

nas 1 0.0769 0 kan 1 0.3333 0.333333333

asi 1 0.0769

13 0.769230769 8 1

Pendeteksian dengan ML (n-gram kata)

Contoh Sederhana add-one smoothing

Contoh Sederhana add-one smoothing

Stemming dan Lemmatization

� Tujuan: untuk mengurangi perubahan bentuk atau turunan dari suatu kata. ◦  Stemming �  Menggunakan proses heuristik untuk membuang

awalan dan akhiran

◦  Lemmatization �  Menerapkan kamus kontrol dan analisis morfologi �  Biasanya membuang akhiran

Stemmer untuk Indonesia

� Algoritma Nazief dan Adriani � Algoritma Idris dan Mustapha � Algoritma Arifin dan Setiono � Algoritma Ahmad, Yussof dan Sembok � Algoritma Vega

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.59.4851&rep=rep1&type=pdf

Afiks (Imbuhan) Bahasa Indonesia

� Empat macam: ◦  Prefiks �  afiks yang dilekatkan di depan kata dasar

◦  Sufiks �  afiks yang dilekatkan di belakang kata dasar

◦ Konfiks �  gabungan prefiks dan sufiks yang mengapit kata

dasar dan membuat suatu kesatuan

◦  infiks �  bentuk afiks yang diletakkan di tengah kata dasar

Algoritma Bobby Nazief dan Mirna Adriani 1.  Cari kata yang akan distem dalam kamus.

Jika ditemukan maka diasumsikan bahwa kata tesebut adalah root word. Maka algoritma berhenti.

2.  Inflection Suffixes (“-lah”, “-kah”, “-ku”, “-mu”, atau “-nya”) dibuang. Jika berupa particles (“-lah”, “-kah”, “-tah” atau “-pun”) maka langkah ini diulangi lagi untuk menghapus Possesive Pronouns (“-ku”, “-mu”, atau “-nya”), jika ada.

Algoritma Bobby Nazief dan Mirna Adriani 3.  Hapus Derivation Suffixes (“-i”, “-an”

atau “-kan”). Jika kata ditemukan di kamus, maka algoritma berhenti. Jika tidak maka ke langkah 3a a.  Jika “-an” telah dihapus dan huruf terakhir dari

kata tersebut adalah “-k”, maka “-k” juga ikut dihapus. Jika kata tersebut ditemukan dalam kamus maka algoritma berhenti. Jika tidak ditemukan maka lakukan langkah 3b.

b.  Akhiran yang dihapus (“-i”, “-an” atau “-kan”) dikembalikan, lanjut ke langkah 4.

Algoritma Bobby Nazief dan Mirna Adriani 4.  Hapus Derivation Prefix. Jika pada langkah

3 ada sufiks yang dihapus maka pergi ke langkah 4a, jika tidak pergi ke langkah 4b.

a.  Periksa tabel kombinasi awalan-akhiran yang tidak diijinkan. Jika ditemukan maka algoritma berhenti, jika tidak pergi ke langkah 4b.

b.  For i = 1 to 3, tentukan tipe awalan kemudian hapus awalan. Jika root word belum juga ditemukan lakukan langkah 5, jika sudah maka algoritma berhenti. Catatan: jika awalan kedua sama dengan awalan pertama algoritma berhenti.

Algoritma Bobby Nazief dan Mirna Adriani 5.  Melakukan Recoding. 6.  Jika semua langkah telah selesai tetapi

tidak juga berhasil maka kata awal diasumsikan sebagai root word. Proses selesai.

Algoritma Bobby Nazief dan Mirna Adriani �  Tipe awalan ditentukan melalui langkah-langkah

berikut: 1.  Jika awalannya adalah: “di-”, “ke-”, atau “se-” maka

tipe awalannya secara berturut-turut adalah “di-”, “ke-”, atau “se-”.

2.  Jika awalannya adalah “te-”, “me-”, “be-”, atau “pe-” maka dibutuhkan sebuah proses tambahan untuk menentukan tipe awalannya.

3.  Jika dua karakter pertama bukan “di-”, “ke-”, “se-”, “te-”, “be-”, “me-”, atau “pe-” maka berhenti.

4.  Jika tipe awalan adalah “none” maka berhenti. Jika tipe awalan adalah bukan “none” maka awalan dapat dilihat pada Tabel 2. Hapus awalan jika ditemukan.

Algoritma Bobby Nazief dan Mirna Adriani

Algoritma Bobby Nazief dan Mirna Adriani

Algoritma Bobby Nazief dan Mirna Adriani

Feature Selection

� Memilih k-top dari bobot ◦  Bobot dapat dilakukan dengan TF/IDF

◦ Dapat menerapkan validasi regresi linier ◦  Information Gain untuk tiap kategori

MATURNUWUN!