SOC Press, Indonesia Symposium on Computing (IndoSC) 2016

Font Size: 
Perancangan Semantic Similarity based on Word Thesaurus Menggunakan Pengukuran Omiotis Untuk Pencarian Aplikasi pada I-GRACIAS
Akip Maulana


Full Text: PDF

Abstract


Proses pencarian dengan cara konvensional akan membuat pengguna I-GRACIAS bingung apabila keyword yang dimasukkan memiliki ejaan kata yang berbeda dengan nama aplikasi yang ada. Semantic similarity adalah suatu pendekatan untuk menangani pencarian dengan mengandalkan nilai keterhubungan antar-term yang dibentuk dari Wordnet. Pendekatan semantic similarity yang digunakan adalah Path-based dengan Wu and Palmer (WUP) sebagai metode perhitungan semantic similarity. Omiotis merupakan metode yang ditujukan untuk mengukur derajat relevansi antar-dokumen. Terdapat dua komponen utama dari perhitungan Omiotis. Komponen tersebut adalah lexical relevance dan semantic similarity. Dengan demikian, proses pencarian yang awalnya menggunakan cara konvensional diubah dengan pendekatan Semantic Textual Similarity (STS). Oleh karena itu, pada tugas akhir ini akan digunakan pengukuran Omiotis untuk menghitung kemiripan antar-dokumen dengan menggunakan pendekatan Path-based sebagai metode semantic similairty, yang mana masih memiliki ketergantungan dengan Wordnet. Sehingga mampu membantu menangani masalah pencarian
aplikasi di I-GRACIAS.


Reference


[1] Tsatsaronis, G., Varlamis, I., & Vazirgiannis, M. (2010). Text relatedness based on a word thesaurus. Journal of Artificial Intelligence Research, 37(1), 1-40.

[2] Yun-tao, Z., Ling, G., & Yong-cheng, W. (2005). An improved TF-IDF approach for text classification. Journal of Zhejiang University Science A, 6(1), 49-55. Crossref

[3] Manning, C. D., PRABHAKAR, R., & HINRICH, S. (2008). Introduction to information retrieval, volume 1 Cambridge University Press. Cambridge, UK.

[4] Zhang, Z., Gentile, A. L., & Ciravegna, F. (2013). Recent advances in methods of lexical semantic relatedness–a survey. Natural Language Engineering, 19(04), 411-479. Crossref

[5] Rahmawati, N. (2016). Conversational Recommender System with Explanation Facility Using Semantic Reasoning. International Journal on Information and Communication Technology (IJoICT), 2(1), 1-12. Crossref

[6] Hidayati, H., & Gozali, A. A. (2016). electronic product feature-based sentiment analysis using nu-svm method. International Journal on Information and Communication Technology (IJoICT), 1(1), 38-44.
.
[7] Wu, Z., & Palmer, M. (1994, June). Verbs semantics and lexical selection. In Proceedings of the 32nd annual meeting on Association for Computational Linguistics (pp. 133-138). Association for Computational Linguistics. Crossref

[8] Tsatsaronis, G., Varlamis, I., Vazirgiannis, M., & Nørvåg, K. (2009, September). Omiotis: A thesaurus-based measure of text relatedness. In Joint European Conference on Machine Learning and Knowledge Discovery in Databases (pp. 742-745). Springer Berlin Heidelberg. Crossref

[9] N. Okendro Singh. Correlation and regression. Indian Agricultural Statistics Research Institute, pages 28–42, 2005.

[10] Jurgens, D., Pilehvar, M. T., & Navigli, R. (2014, August). Semeval-2014 task 3: Cross-level semantic similarity. In Proceedings of the 8th International Workshop on Semantic Evaluation (SemEval 2014), in conjunction with COLING (pp. 17-26).

[11] Han, L., Kashyap, A., Finin, T., Mayfield, J., & Weese, J. (2013, June). UMBC EBIQUITY-CORE: Semantic textual similarity systems. In Proceedings of the Second Joint Conference on Lexical and Computational Semantics (Vol. 1, pp. 44-52).

Last modified: 2016-11-02