semua karna banyaknya informasi
Pernah ga merasa pintar akan suatu hal sekaligus bodoh dalam hal yang lain?
saya sering tuh gitu…
setelah saya pikir pikir mungkin karna sedikit banyaknya informasi.
bahkan soal selera sekalipun,
ada kan ya orang yang menurut kita seleranya tinggi, ada juga yang buat kita seleranya tu rendah banget. Saya rasa ini cuma soal kadar informasi.
Contoh:
si A bergaul dengan banyak orang, sehingga dia punya banyak kumpulan informasi tentang baju yang digunakan banyak orang di sekelilingnya. Beda sama orang yang pergaulannya sedikit, dan kenalnya sama itu itu aja, otomatis informasi soal baju ya itu itu aja. Jadinya yang punya informasi banyak tentang baju jadi keliatan lebih stylish, ya wajar karna dia punya banyak pengalaman melihat orang2 di sekilingnya terhadap baju yang mereka pakai, jadi dia belajar dari situ.
Intinya, semakin banyak informasi yang kita miliki, semakin banyak bahan yang bisa kita pelajari untuk mengambil keputusan tertentu. Jadi harus banyak bergaul, banyak explore, dan banyak berbuat, supaya pengalamannya banyak, informasinya banyak, dan akhirnya proses learningnya jadi bagus… 🙂
Paper Information Retrieval
Paper information retrieval yang kami analisis adalah paper information retrieval dengan judul “A comparison of microblog search and web search” . Paper information retrival ini membahas tentang apa saja perbedaan karakteristik antara pencarian pada mircroblog dan pencarian pada web. Mulai dari apa motivasi pencariannya, bagaimana cara mencarinya, dan apa saja karakteristik hasil pencariannya.
Untuk lebih memahami tentang microblog search, kami menganalisi 3 Paper information retrival lain, yaitu Paper information retrival dengan judul ” A Comparison Of Information Seeking Using Search Engines And Social Network”, kemudian Paper information retrival dengan judul “New Web Search with Microblog”, dan Paper information retrival “Ranking Approach for Microblog Search”.
Paper information retrival dengan judul ” A Comparison Of Information Seeking Using Search Engines And Social Network”, membahas tentang perbandingan pencarian menggunakan search engine dan menggunakan social network. Manakah yang lebih user pilih antara search engine dan social network dan apa saja justifikasinya.
Paper information retrival dengan judul “New Web Search with Microblog”, membahas tentang metode baru pencarian dengan menggunakan microblog. Jadi menggabungkan antara search engine dengan menggunakan microblog service.
Paper information retrival “Ranking Approach for Microblog Search” membahasa tentang cara melakukan perankingan pada microblog search, dimana perangkingan dilakukan dengan melihat kualitas publisher, kontent, dan banyaknya backlink.
Demikian paparan mengenai Paper information retrival yang kami analisis. Dari 4 Paper information retrival tersebut kami mencoba membuat Paper information retrival baru dengan judul “A New Generation Web Search with Microblog”.
tugas besar mata kuliah information retrieval
Blog ini merupakan perwujudan tugas besar mata kuliah information retrieval di kampus Institut Teknologi Telkom .
Tugas besar mata kuliah information retrieval ini bertujuan agar mahasiswa Institut Teknologi Telkom lebih menguasi metode information retrieval secara lebih mendalam. Dengan praktek membuat blog dan menganalisis Paper berjudul “a comparison of web search and microblog search” sebagai konten dari blog tersebut, Tugas besar mata kuliah information retrieval membuat mahasiswa mengerti cara kerja search engine secara tidak langsung, karena dengan adanya Tugas besar mata kuliah information retrieval ini mahasiswa melakukan praktek langsung bagaimana agar suatu page dapat ter retrieve oleh search engine tertentu.
Awalnya Tugas besar mata kuliah information retrieval menuntut mahasiswa agar dapat memahami paper, dengan meminta mahasiswa membuat resume dari paper yang diberikan. Kemudian lanjutan dari Tugas besar mata kuliah information retrieval adalah mahasiswa harus mencari 3 paper lain yang berhubungan untuk dapat membuat sebuah paper baru berkaitan dengan beberapa paper yang sudah ada.
Setelah di dapat hasil analisis dari paper, Tugas besar mata kuliah information retrieval dilanjutkan dengan membuat blog dan mengisi kontennya dengan resume paper yang sudah dibuat. Lalu mahasiswa bertugas menaikkan rating blog agar Tugas besar mata kuliah information retrieval mereka dapat muncul di page awal search engine dengan query tertentu.
Institut Teknologi Telkom (ITTELKOM) di mata kami
Seperti yang telah diketahui Institut Teknologi Telkom (ITTelkom / IT Telkom) merupakan institusi yang manaungi kami. Di mata kami Institut Teknologi Telkom (ITTelkom / IT Telkom) adalah kampus dengan pertumbuhan yang cepat. Pertama kali kami masuk kampus Institut Teknologi Telkom (ITTelkom / IT Telkom) , namanya masih sekolah tinggi teknologi telkom. Tapi dalam hitungan bulan sejak kami masuk, kampus kami mengalami kenaikan prestasi menjadi Institut Teknologi Telkom (ITTelkom / IT Telkom). Tidak hanya itu, di tahun berikutnya dibuka beberapa jurusan baru, bahkan fakultas baru, sungguh perkembangan yang luar biasa.
Semoga ke depan cita-cita Institut Teknologi Telkom (ITTelkom / IT Telkom) untuk menjadi World Class University segera terwujud, sehingga bisa memberikan kualitas yang terbaik bagi para mahasiswa dan menelurkan sarjana sarjana yang luar biasa hebat.
Untuk mengetahui lebih jauh tentang ITTelkom, bisa buka link ittelkom.ac.id .
Bagi teman-teman yang ingin berpendapat tentang Institut Teknologi Telkom (ITTelkom / IT Telkom), silahkan mengirimkan komentar di bawah….
paper information retrieval : Pendekatan Peringkat / Ranking untuk Pencarian Microblog
Paper information retrieval ini membahasa tentang Peringkat microblogs, seperti tweets, sebagai hasil pencarian untuk query adalah sebuah tantangan, antara lain karena dari jumlah microblogs yang dihasilkan secara real time, serta panjang pendek masing-masing microblog. Berbagi pesan singkat (microblogs) melalui jejaring sosial online merupakan komponen penting dari Real Time Web (RTW). Dari perspektif konsumsi informasi, ini merupakan tren dan berita terbaru secara real time dari banyak sumber dengan sudut pandang yang beragam merupakan daya tarik tersendiri bagi para pembaca seperti microblogs. Menyaring Real Time Web untuk menemukan microblogs paling menarik adalah tantangan penting. dari paper information retrieval ini dapat diketahui, Masalah peringkat microblogs bisa dilihat melalui dua perspektif: 1) peringkat microblogs, 2) peringkat para pengarang microblogs, dan keduanya berkaitan erat. Salah satu tantangan dalam penelitian tentang strategi peringkat untuk microblogs adalah tidak tersedianya data dasar kebenaran untuk mengukur efektivitas. Karena itu dikembangkan sebuah antarmuka web pencarian yang memungkinkan end-user untuk mencari Twitter dan kemudian memberikan penilaian preferensi berpasangan. Rangking pada microblog tidak menjamin bahwa tweet yang tampil di atas pada posisi atas.
Pada paper information retrieval ini, Ada 2 pendekatan strategi perankingan: 1) ranking berdasarkan pengarang dari microblog search, 2) pengukuran ranking untuk microblog. Pada tahap pertama perankingan pengarang dilakukan penilaian terhadap pengarang berdasar jumlah tweet yang mereka postkan. Idenya adalah publisher yang aktiv kemungkinan informasi darinya lebih bernilai daripada yang tidak. Kemudian dilakukan perhitungan menggunakan follower rank dari pengarang. Selanjutnya dilakukan perangkingan terhadap microblog, pada perankingan ini di ikut sertakan perhitungan terhadap pengarang.
Information Retrieval IT Telkom: Mengetahui Motivasi Seseorang Melakukan Pencarian Di Twitter
Mengapa Seseorang melakukan pencarian di Twitter?
Untuk mengetahui motivasi mengapa seorang user melakukan pencarian di Twitter, dilakukan log data dari sampel-sampel data yang besar dan lebih merepresentasikan user dari Twitter untuk mengembangkan pemahaman mengenai pola dan perilaku dari beberapa data post user.
Informasi tentang query yang digunakan seseorang pada search engine di Twitter dan web, didapatkan dari sampel log web broser yang digunakan user pada search engine toolbar. Toolbar ini adalah plugin yang menyediakan argument search dan melaporkan bagaimana sifat dan polanya kepada server pusat penelitian. Sebagai tambahan nantinya akan dikembangkan plugin untuk berbagai macam jenis search engine.
Kita dapat melihat perbandingan Twitter dan web yaitu pada perbedaan karakter text pada populasi yang ada di kedua search engine. Sebagai contoh karakter (# & @) pada Twitter memiliki kegunaan khusus bila digunakan pada awal sebuah kata. Query pada Twitter lebih pendek daripada query pada web. Berikut adalah perbedaan-perbedaan yang terdapat pada Twitter dan Webkonvensional :
Web | ||
Panjang Query (chars) | 12.00 | 18.80 |
Panjang Query (words) | 1.64 | 3.08 |
Merupakan nama selebriti | 15.22% | 3.11% |
Mengandung nama selebriti | 6.51% | 14.86% |
mengandung @ | 3.40% | 0.14% |
Username tanpa @ | 2.37% | 0.01% |
mengandung # | 21.28% | 0.08% |
hashtag tanpa # | 4.35% | 2.99% |
Information Retrieval
This is a blog about information retrieval from ITTelkom (Institut Teknologi Telkom) college.
1. Information retrieval
Information retrieval adalah suatu metode untuk pencarian kembali suatu informasi.
2. Institut Teknologi Telkom
Institut Teknologi Telkom atau biasa disebut ITTelkom / IT Telkom merupakan suatu institusi pendidikan yang concern di bidang teknologi informasi. IT Telkom/ ITTelkom dulunya bernama Sekolah Tinggi Teknologi Telkom (STTTELKOM), diprakarsai oleh PT Telkom yang kesulitan mencari tenaga ahli di bidang IT, akhirnya membentuk suatu yayasan pendidikan telkom yang melahirkan sekolah sekolah salah satunya Institut Teknologi Telkom.
Information retrieval it telkom: Mengumpulkan hasil Twitter dan hasil Web
Berikut merupakan hasil analisis yang dilakukan oleh Jaime teevan, Daniel Ramage, Meredith Ringel Morris dalam paper “a comparison of microblog search and web search” tentang bagaimana mereka mengumpulkan hasil twitter dan hasil web berkaitan dengan information retrieval :
Untuk memperkirakan content Twitter untuk query-query yang ada di dalam sampel yang saat itu dikeluarkan, dilakukan crawl terhadap delapan juta posting yang disediakan oleh aliran spritzer Twitter selama satu minggu. Aliran spritzer adalah aliran umum yang berisi pesan sampel dari semua posting Twitter publik. Susunannya adalah ditentukan oleh Twitter. Dari sini kita mencoba tweets yang berisi 50 pencarian common queries yang paling populer untuk analisa lebih lanjut. Jumlah potensi hasil per query berkisar antara ratusan hingga puluhan ribu.
Hasil pencarian Twitter berbeda dengan hasil pencarian web di seluruh isi dari setiap hasil yang disajikan kepada pengguna dalam daftar hasil. Sebaliknya, hasil pencarian web biasanya disajikan sebagai daftar hyperlink, masing-masing dengan potongan algoritma yang diekstraksi dari teks yang dirancang untuk membantu pencari dalam memilih hyperlink yang akan dikunjungi (meskipun dalam beberapa kasus potongan dapat sepenuhnya memenuhi kebutuhan informasi pengguna). Untuk merepresentasikan hasil pencarian web, dilakukan ekstraksi terhadap judul teks dan ringkasan dari semua hasil yang disajikan oleh Bing dari query log kepunyaan mesin pencari untuk query yang sama dari periode waktu yang sama. Sementara, tweets secara kualitatif berbeda dari potongan Web, keduanya berasal dari bentuk dasar tekstual yang oleh pencari disajikan melalui hasil sistem pencarian yang dianggap relevan, dan menjamin persamaan.
Term-term yang sangat umum dan sangat langka disaring dari setiap set hasil query-spesifik, seperti praktek standar untuk jenis analisis yang dilakukan. Secara khusus, dilakukan penyaringan terhadap 20 term yang paling umum dan muncul kurang dari tiga hasil. Setelah penyaringan, 42 dari 50 hasil set query awal setidaknya memiliki 100 hasil not-empty dari Twitter dan Web, untuk mencari perbedaan di Twitter dan hasil pencarian Web untuk query-query tersebut dibutuhkan eksplorasi lebih lanjut.
salam,
mahasiswa kelas Information Retrieval ITTelkom, 2011
on Information retrieval it telkom: Mengumpulkan hasil Twitter dan hasil Web
Information retrieval IT Telkom: Perbedaan Bahasa dalam Hasil Pencarian
Berikut merupakan hasil analisis yang dilakukan oleh Jaime teevan, Daniel Ramage, Meredith Ringel Morris dalam paper “a comparison of microblog search and web search” tentang sub bab perbandingan antara bahasa hasil pencarian antara twitter search dan web search berkaitan dengan information retrieval :
Perbedaan paling dekat antara Twitter dan set hasil Web terletak pada jumlah informasi yang tersedia yang mengikuti sebuah query. Jumlah rata-rata per-query dari kata-kata dalam hasil Twitter adalah 19,55, sedangkan hasil potongan Web adalah 33,95. Panjang tweets yang relatif pendek mencerminkan perilaku postingan Twitter di hadapan sistem yang mempunyai batas 140 karakter. Sebaliknya, panjang potongan Web yang relatif lebih panjang mencerminkan tujuan dari mesin pencari untuk mendukung kebutuhan penggunanya dalam pencarian Web. Karena potongan Web dihubungkan dengan halaman web, lebih banyak konten dapat ditemukan dengan mengikuti (follow) link yang ada. Hasil Twitter, sebaliknya, menyediakan teks lengkap dari pencocokan tweets dan biasanya dibaca secara keseluruhan dalam daftar hasil.
Karena set hasil Web dan Twitter dikumpulkan untuk query yang sama, diharapkan mereka akan berisi konten dasar yang sama. Dan, memang, banyak term umum yang disahre, misalnya, baik tweets maupun potongan Web untuk term penyanyi Lady Gaga cenderung berisi term musik (8% dari tweets, 27% dari potongan Web). Tapi dengan analisis kuantitatif yang lebih luas, dapat diamatibahwa real-time dan dinamika sosial Twitter tidak menghasilkan pola bahasa yang cukup berbeda dari yang ada di potongan pencarian Web.
ttd.
Information retrieval IT Telkom: Perbedaan Bahasa dalam Hasil Pencarian