MEtode Pencarian dan Temu-Kembali Nama

!
METODE PENCARIAN DAN TEMU-KEMBALI
NAMA BERDASARKAN KESAMAAN FONETIK
DEWI PRIMASARI
PROGRAM STUDI ILMU KOMPUTER
FAKUL T AS MATEMA TIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
1997
RINGKASAN
DEWI PRIMASARL Metode Pencarian dan Temu-Kembali Nama Berdasarkan Kesamaan Fonetik
(Searching and Retrieval Methods of Proper Name Based on Phonetics Similarity). Dibimbing oleh
JULIO ADISANTOSO dan MEUlHlA RACHMANIAH.
Sistem temu-kembali informasi membandingkan query pengguna pada dokmnen-<lokmnen yang
disimpan dalam berkas basis data.
Beberapa pendekatan pembentukan turunan query telab
dikembangkan untuk mengatasi ketidakjeJasan akar kata yang akan dicari, salab satunya adalab dengan
ukuran kesamaan fonetik. Ada beberapa algoritme dengan menggunakan pendekatan ini, yaitu Soundex
dan Phonix yang dikembangkan berdasarkan kesamaan bunyi dalarn bahasa Inggris.
Pada penelitian ini akan dibuktikan bahwa algoritme Phonix4 dan PhonixE memiliki kineIja yang
lebih baik bila dibandingkan dengan algoritme Phonix8 dan Soundex. Hal ini teIjadi karena
kesederbanaan algoritme Phonix4 dan PhonixE, dimana kode filtering yang dibentuk tidak terlalu
panjang dan penggolongan konsonan yang tidak terlalu sedikit. Akibatnya nilai precision menjadi
tinggi, sedangkan tingkat recall-nya rendah. Selain kode yang biasa dipakai pada metode lainnya,
PhonixE juga mempunyai kode untuk bunyi akhir sebanyak empat karakter. Tingkat recall yang dapat
dipakai pada sistem temu-kembali informasi dengan metode Soundex dan Phonix8 adalab 0.2,
sedangkan pada metode Phonix4 dan PhonixE adalah 0.1.
AIgoritme Soundex dan Phonix walaupun dikembangkan untuk bahasa Inggris, temyata dapat
bekeIja dengan baik pada bahasa Indonesia. Hal tersebut karena bahasa Inggris dan Indonesia
menggolongkan konsonan-konsonannya dengan keistimewaan-keistimewaan yang sarna.
t
_~_
c,"
'o"
'"l _,
METODE PENCARIAN DAN TEMU-KEMBALI
NAMA BERDASARKAN KESAMAAN FONETIK
DEWI PRIMASARI
Skripsi
sebagai salah satu syarat nntuk memperoleh gelar
Srujana Sains
pada
Program Studi limn Komputer
PROGRAM STUDI ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
·1997
Judul
Metode Pencarian dan Temu-Kembali Nama Berdasarkan Kesamaan
Fonetik
Nama
Dewi Primasari
NIM
G30.0587
MeIWetujui,
Ir. Juli
disantoso, MKomp
Pembimbing I
Tanggal Lulus : 8 September 1997
If. Meuthia Rachmaniah, MSc
Pembimbing II
RIWAYATHIDUP
Penulis dilahirkan di Bogar pacla tanggal 28 September 1974 sebagai anak sulung clari tiga
bersauclara, anak clari pasangan Drs. Suyadi Prawirosentono, MBA clan Laksmini.
Pacla tahun 1993, penulis lulus dari SMA Negeri I Bogar. Pacla tahun yang sarna, penulis juga
berhasillulus seleksi masuk masuk IPB melalui jalur Undangan Seleksi Masuk IPB (USMI). Pacla tahun
1994, penulis memilih Program Studi llmu Komputer di Fakultas Matematika clan llmu Pengetahuan
Alam.
PRAKATA
Segala puji dan syukur penulis panjatkan kepada Allah SWT atas karunia-Nya sehingga karya Umiah
ini dapat diselesaikan dengan baik
Topik yang dipilih dalam penelitian ini adalah temu-kembali
informasi dengan judul Metode Pencarian dao Temu-Kembali Nama Berdasarkan Kesamaan Fonetik.
Penulis menghaturkan terima kasih kepada semua pibak yang telah membantu penyelesaian karya
ilmiah ini. antara lain Bapak Ir. Julio Adisantoso. MKomp dan Ibu Jr. Meuthia Rachmaniah. MSc selaku
pembimbing. Ungkapan terima kasih juga disampaikan kepada se1uruh keluarga, bapak, mama, adikadik dao mas Selo alas segala doa dan dorongannya kepada penulis.
Semoga karya ilmiah ini bermanfaat untuk ikut mengembangkan sistem temu-kembali informasi di
Indonesia.
Bogor, September 1997
Dewi Primasari
DAFTAR lSI
Halaman
DAFTAR TABEL
.......................................................................................................................... vi
DAFTAR GAMBAR
..................................................................................................................... vi
DAFTAR LAMPmAN ..................................................................................................................... vi
PENDAHULUAN ..........................................................................................................................
Latar Belakang ........ ....... .... ........... ....... ..... ........ ... ........... .................... ............ .....................
Tujuan
................................................................................................................................
1
1
1
TINJAUANPUSTAKA
............................................................................................................... 2
Orgaoisasi Data ....... ....... ... ...... .......... ...... .................................... ..................................... ..... 2
Algoritme. ... ................ ....... ...... ... ............. ... .......... .................. ................................................ 3
Sistem Evaluasi ..................................................................................................................... 8
Tata Bunyi ........................................................................................................................... 9
METODE PENELITIAN ...............................................................................................................
Pengambilan Data ........ .......... ................... .... ............................. .......... .......................... ......
Pembuatan Program ................................................................................................................
Pengujian Program ................................................................................................................
Percobaan
...........................................................................................................................
Analisis Data dan Pengambilan Kesimpulan ..........................................................................
HASILDANPEMBA1lASAN ..........................................................................................................
Karakteristik Dokumen .. ... ......... ....... .......... ........................ ...................................................
Hasil Percobaan ......... ........... .... ........ ......... ............................................ .... ............................
Ana1isis Nilai Recall-Precision ...............................................................................................
Tingkat Recall yang OptimaJ ............ ..... ... ......... ..................................................................
Analisis Algoritme ................. ... ........ ..... ..............................................................................
Kelebiban dan Kelemahan Metode Kesamaan Fonetik ........................................................
11
II
12
15
15
16
16
16
16
17
19
20
21
KESlMPULAN DAN SARAN .......................................................................................................... 22
Kesimpulan .................. ....... ...... .......... ... ... ............................... .......... ..... ........ ...................... 22
Saran ...................................................................................................................................... 22
DAFTARPUSTAKA
..................................................................................................................... 23
LAMP1RAN .....................................................................................................................................
24
DAFTAR TABEL
Halaman
1. Bilangan pengganti huruf pada kode Soundex
............................................................... ....... .... 5
2. Bilangan pengganti huruf pada kode Phonix .... .........................................................................
6
3. Contoh penggunaan analisis trigram
6
............................................................ ................... ...........
4. Pembagian konsonan dalam bahasa Inggris
5. Query dan variannya
............................................................................... 10
..... .......... ................................................................................................
15
6. Nilai rata-rata recall-precision metode Soundex dan Phonix ...................................................
17
DAFTAR GAMBAR
Halaman
1. Variasi nilai recall dan precision ................................................................................................ 8
2. Grafik recall-precision ................................................................................................................
3. Diagram alir data (DFD) 1eve11 data nama
9
.................................................... .... ....... ................ 14
4. Diagram alir data (DFD) leve12 untnkfiltering .........................................................................
14
5. Diagram alir data (DFD) level 2 untnk query ..............................................................................
14
6. Tahapan penelitian ..................................................................................................................... 16
7. Grafik recall-precision pada empat metode kesamaan fonetik
...................................................
18
8. Pengelompokan konsonan .......................................................................................................... 21
DAFTAR LAMPIRAN
Halaman
1. Nama dan kode hasilfiltering ..................................................................................................... 25
2. Nilai recall-precision percobaan penelitian dengan metode Soundex
......................................... 31
3. Nilai recall-precision percobaan penelitian dengan metode Phonix4
......................................... 32
4. Nilai recall-precision percobaan penelitian dengan metode Phonix8
......................................... 33
5. Nilai recall-precision percobaan penelitian dengan metode PhonixE
......................................... 34
PENDAHULUAN
Latar Belakang
Sistem temu-kembali informasi (infimnalion
secara otomatis pada awalnya
retrieval)
dikembangkun untuk membantu mengatur
literatur ilmu pengetahuan yang jmnlahnya sangat
banyak
Banyak sekali perguruan tinggi,
perusahaan, dan perpustakaan mnmn yang telah
menggunakan sistem temu-kembali informasi
untuk mengakses buku, jurnal atau dokumen
lainnya,
Sebuah sistem temu-kembali membandingkan
query pengguna pada dokumen>{\okumen yang
disimpan dalam basis data (Pfeifer et ai" 1996),
Istilah dokumen (document) biasanya dipakai
sebagai kata benda, segala hasil keIja yang
dibentuk oleh program aplikasi, dan bila direkam
pada disk diberi nama file yang unik untuk
memanggiInya (Microsoft Press, 1995), tetapi
pada skripsi ini, dokumen mempunyai arti yang
berbeda, yaitu sebuah obyek data, yang biasanya
berbentuk teks walaupnn dapat juga terdiri dari
berbagai tipe data, seperti foto, grafik, dan
sebagainya (Frakes & Baeza-Yates, 1992),
Dokumen>{\okumen itu sendiri sering tidak
disimpan langsnng dalam sistem temu-kembali,
tetapi direpresentasikan dalam sistem menurut
karakteristiknya masing-masing,
Karakteristik
dokumen dapat berupa judu!, pengarang atau
abstrak Hal ini dilakukan untuk meningkatkan
efisiensi dengan cara menekan ukuran basis data
dan waktu pencarian,
Sistem temu-kembali informasi modern yang
telah ada ummnnya difoknskan pada masalahmasalah temu-kembali informasi dengan queryquery berkonteks bahasa natural, Sebenarnya
banyak pengguna dari sistem temu-kembali ini
telah mengetahni nama pengarang atau editor
yang dicari, tetapi sejauh ini hanya sedikit
perhatian untuk tipe query ini,
Di sini
ketidakjelasan akar kala akibat pengetahuan
informasi pengguna yang terbalas akan menjadi
kendala, Sebagai contoh, (1) jilca pengguna salah
mengeja nama pengarang yang dicari, maka
pencarian tidak akan berhasil, dan (2) bila
pengguna
melakukan kesalahan pengetikan,
maka pencarian ini juga tidak akan berhasil,
Tipe error ini sangat sering muncul, bahkan jilca
pengguna telah mengetahui pengejaan nama yang
benaL
Beberapa pendekatan telah dibnat, seperti
dengan menggunakan wildcard yang terperinci
pada query untuk menemukan turnnan atau kata
yang mmp,
Algoritme Stemming untuk
melakukan pencarian kata-kata dengan bentuk
dasar telah dilakukan, tetapi metode ini hanya
berguna untuk kata-kata mnmn dan tidak tepat
digunakan untuk melakukan pencarian nama,
Ukuran kesamaan
non-lingnistik dapat
dikelompokkan menjadi tiga kategori besar yang
berbeda, yaitu (1) kesarnaan string, (2) kesamaan
yang berhubungan dengan kesalahan pengetikan,
dan (3) kesarnaan fonetik Pada penelitian ini
akan dilakukan pencarian nama dengan metode
kategori ketiga, yaitu dengan menggunakan
algoritme Soundex dan Phonix,
Algoritme Soundex dan Phonix adalah dua
buah algoritme yang dibuat dengan melihat
kesamaan bunyi bahasa, Kedna algoritme ini
dikembangkan untuk bahasa Inggris, yang belwn
tentu cocok bila diterapkan pada bahasa lain,
misaInya bahasa Indonesia yang pengucapannya
berbeda. Maka pada penelitian ini akan ditelaah
apakah kedua algoritme tersebut dapat bekeIja
dengan baik pada bahasa Indonesia.
Pada dasarnya proses temu-kembali informasi
dilakukan berdasarkan ukuran kesesuaian antara
query dengan kata-kata yang terdapat dalam
dokwnen. Yang menjadi masalab adalah pada
sistem temu-kembali informasi, jumIah dokwnen
yang relevan kadang-kadang terlalu sedikit atau
terlalu banyak (Adisantoso, 1997). Untuk itu
perlu diketahni berapa jumIah dokumen yang
ditemu-kembalilcan agar cukup optimal.
Sebenarnya penelitian untuk membandingkan
kineIja beberapa metode terkenal dari ketiga
kategori ukuran kesarnaan di alas telah dilakukan
oleh Ulrich pfeifer, Thomas Poersh, dan Norbert
Fuhr pada tahun 1996. Pada penelitian tersebut
basis data yang digunakan adalah nama-nama
orang Eropa atau Amerika, sedangkan pada
penelitian ini akan digunakan basis data dengan
nama-nama Indonesia yang mnmn.
Tujuan
Tujuan dari penelitian ini adalah sebagai
berikut:
2
I.
2.
3.
Menelaah dan membandingkan efektifitas
sistem temu-kembali antara aigoritme
Soundex dan Phonix.
Menganalisis
kineIja
masing-masing
aigoritme terhadap hasis data yang berisi
nama-nama Indonesia.
Menentukan jumIah dokumen (tingkat recall)
yang ditemu-kembalikan untuk setiap metode
agar cukup optimal.
TINJAUAN PUSTAKA
Sistem temu-kembali informasi secara otomatis
pada molanya dikembangkan untuk membantu
mengatur literatur ilmu pengetahuan yang sangat
banyak. Sistem ini mengelola dokumen-dokumen
yang terorganisasi dalam record pada berkas (file)
dan mengelola pemtintaan (request) informasi.
kemudian mengembalikannya dalam berkas
teitentu sebagai tanggapan terhadap pemtintaan
tersebut. Penemu-kembalian dokumen-dokumen
tergantung pada ukuran kesamaan
antara
dokumen dan query yang diukur dengan
membandingkan nilai beberapa atribut.
Sistem temu-kembali informasi hams dibuat
untuk mendokung operasi-<>perasi dasar, yaitu
operasi pemasukan dokumen ke dalam hasis data,
operasi
penambahan
dokumen,
operasi
penghapusan, operasi pencarian dokumen dengan
cara tertentu, dan operasi penampiIan pada !ayar.
Organisasi Data
Struktur Data
Strnktur data dalam temu-kembali informasi
sedikit banyak akan mempengarnhi efisiensi keIja
sistem temu-kembali informasi tersebut, terutama
dalam proses pencarian (Frakes & Baeza-Yates,
1992). Gleh karena itu tipe struktur data temukembali informasi ini hams dipilih dengan hatihati.
Ada empat bentuk dasar untuk
mengorganisasikan data, yaitu (I) larik (array),
(2) search tree, (3) digital tree, dan (4) hash.
Tipe larik adalah tipe terstruktur yang mempunyai
komponen dalam jumIah yang tetap dan setiap
komponen mempunyai tipe data yang sama
(Santosa, \993).
Pengnrutan
Pengurutan data (sorting)
didefinisikan sebagai suatu
secara umum
proses
untuk
menynsun kembali himpunan obyek menggnnakan
aturan tertentu (Santosa, 1993). Secara umum
terdapat dna jenis pengnrutan data, yaitu (I)
pengnrutan secara menaik (ascending), yaitu dari
data yang nilainya paling kecil sampai paling
besar dan (2) pengurutan secara menurun
(descending), yaitu dari data yang nilainya paling
besar sampai paling kecil. Tujuan pengnrutan
data adalah untuk mempermudah pencarian data.
Pernilihan aigoritme pengnrutan sangat
ditentukan oleh struktur data yang dignnakan.
Dengan aiasan ini, maka metode pengnrutan dapat
diklasifikasikan menjadi dna kategori, yaitu
pengnrutan larik dan pengurutan senarai
Metode-metode pengnrutan larik sangat
memperhatikan dan mempertimbangkan aspek
efisiensi waktu dan kapasitas memory. Beberapa
metode yang terkenal adalah metode penyisipan
langsung, metode penyisipan biner, metode
seleksi, metode bubble sort, metode shell sort,
metode radix sort, dan metode quick sort. Secara
umum metode quick sort lebih efisien daripada
metode-metode lainnya (Stubbs & Webre, 1984),
aigoritmenya adalah sebagai berikut :
I. Baca larik yang akan diurutkan, rnisalkan r.
2. Inisialisasi kiri = I dan kanan = jumIah record
yang ada.
3. KeIjakan langkah 4 sampai 5 bila kiri < kanan.
4. lnisialisasi j = kiri dan k = kanan + 1.
5. KeIjakan langkah 6 hingga 8 sampai j > Ie,
6. Tambah nilai j dengan I sampai r[j] >=
r[kiri].
7. Kurangi nilai k dengan I sampai
r[k] <= r[kiri].
8. Jika j < Ie, maka tukarkan posisi r[j]
dengan r[k].
9. Tukarkan posisi r[kiri] dengan r[k1 __•.
10. KeIjakan langkah 3 untuk kiri = I'aan kanan =
k-1.
11. KeIjakan langkah 3 untuk kiri = k + I dan
kanan = jumIah record yang ada.
Pencarian
Beberapa metode yang dapat diterapkan untuk
pencarian diantaranya, yaitu pencarian berurutan
(sequential searching), pencarian pada tabel yang
sudah diurutkan (sorting table searching),
pencarian biner (binary searching), dan pencarian
berurutan
berindeks
(indexed
sequential
searching).