ABSTRAKSI: Abstrak Dalam sebuah sistem Information Retrieval (IR) efektivitas sistem dipengaruhi oleh bagaimana user memformulasikan query sebagai representasi kebutuhannya . Dalam beberapa kasus, user kurang mampu memformulasikan query secara spesifik sehingga informasi yang didapatkan tidak sesuai dengan kebutuhan.oleh sebab itu, dibutuhkan sebuah sistem IR yang mampu memodifikasi query dari user secara otomatis. Hal ini dapat dilakukan dengan teknik Relevan Feedback (RF) dengan metode query expansion.
Tugas akhir ini membahas pengaruh teknik RF dengan metode positive query expansion using local information pada Bayesian Network Retrieval Model (BNRM) terhadap performansi sistem, meliputi precision, recall dan response time jika dibandingkan dengan sistem IR tanpa relevan feedback. Topologi BNRM yang digunakan terdiri atas tiga layer node, yakni dua layer term node sebagai penentu hubungan antar term dan satu layer dokumen node. Teknik ini diuji dengan beberapa standard dokumen untuk IR dari SMART.
Berdasarkan hasil pengujian, peningkatan nilai AIP terbesar pada data uji Crn sebesar 57,26 % atau 26,04 point dibandingkan pengujian sistem tanpa RF dan peningkatan response time terbesar terjadi pada data kombinasi MedCrn dengan query med yakni sebesar 217,903 % atau 392,748 detik dibandingkan pengujian sistem tanpa RF. Peningktan nilai ini terjadi pada jumlah dokumen yang dievaluasi sebagai feedback sebesar 15 dokumen.
Proses preprocessing dokumen, meliputi indexing term dan penghitungan kemunculan term dilakukan oleh sebuah tools indexing. Sehingga hal ini diluar cakupan tugas akhir.
Kata Kunci : Kata kunci : information retrieval, relevan feedback, query.ABSTRACT: Abstract
In Information Retrieval (IR) system, the system effectiveness is influenced by how user formulates a query as representation of their need. In some case, user can t formulate query specifically until obtained information that is not suitable with user need. Because of that, needed an information retrieval system which can modify user query automatically. It can be done using a technique called manual relevance feedback used query expansion method.
This final project explains the influence of relevance feedback with positive query expansion using local information in Bayesian Network Retrieval Model (BNRM) at precision, recall and response time of the system. It implements topology three layer nodes BNRM, with two layer term nodes to determine relationship each term in the collections and a layer documents node. This technique is tested using standard collection documents for information retrieval from SMART.
With respect to the experiment done in this final project, IR system using RF give increasing value of AIP and response time if compared with IR system without RF. The biggest increasing value of AIP is obtained from Crn data collection as much as 57, 26 % or 26, 04 point and response time biggest increasing value is obtained from combine data of medcrn using query for medical documents collection as much as 217,903 % atau 392,748 second. It is obtained, if the documents number that is evaluated as feedback is fifteen documents.
Documents preprocessing, include term indexing and counting term appearances is done by an indexing tool. So it is outside the final project.
Keyword: Keywords: Information retrieval, relevance feedback, queries.