TEMU KEMBALI CITRA DAN TEKS DENGAN PENCARIAN

TEKSTUAL BERBASIS INFORMATION GAIN, LATENT

SEMANTIC ANALYSIS DAN WEIGHTED TREE SIMILARITY

Hasan Dwi Cahyono1), Agus Zainal Arifin2), Nanik Suciati3)

Teknik Informatika, Fakultas Teknologi Informasi

Institut Teknologi Sepuluh Nopember

Surabaya, Indonesia

Email : 1hasan.cahyono10@mhs.if.its.ac.id, 2agusza@cs.its.ac.id, 3nanik@its-sby.edu

ABSTRAK

Akses informasi seiring perkembangan internet pada konten multimedia dan teks mengalami kemajuan

yang cukup pesat. Bahkan pada beberapa tahun terakhir telah banyak mesin pencari berbasis sistem temu kembali

citra berbasis konten dikembangkan. Namun karena hasil pencarian metode tersebut masih terbatas dan kurang

memuaskan dibanding pencarian berbasis teks, maka diperlukan metode yang mampu mengabungkan pencarian

berbasis teks dan citra dengan anotasi teks tidak hanya dalam satu bahasa. Selain itu, sekumpulan dataset dengan

jumlah besar dan sangat heterogen, membutuhkan metode yang dapat mengatur penggunaan informasi tekstual.

Oleh karena itu, dalam penelitian ini diusulkan metode baru pada temu kembali citra dan teks dengan pencarian

tekstual berbasis Information Gain (IG), Latent Semantic Analysis (LSA), dan Weighted Tree (W-Tree) similarity

dalam bahasa Inggris, Perancis, dan Jerman. Pada tahap pertama, LSA digunakan untuk menemukan relasi

semantik pada informasi tekstual serta IG untuk mengatur penggunaan informasi tekstual serta memilih

kombinasi bahasa yang tepat. Selanjutnya, dilakukan proses pembentukan dan pencocokan W-Tree dari database

dengan W-Tree dari query user. Sistem akan menampilkan keluaran berupa daftar dokumen beserta nilai

kemiripannya. Dari percobaan pada dataset sebanyak 28.550, pencarian tekstual berbasis LSA, IG, dan W-Tree

similarity mampu meningkatkan Mean Average Precision 30% dibanding pencarian tekstual LSA dan W-Tree

pada temu kembali citra dan teks, serta 117% dibanding pencarian visual saja.

Kata kunci: pencarian teks dan citra, LSA, W-tree, information gain.

ABSTRACT

Access to information on the internet as the development of multimedia and text contents are

progressing quite rapidly. Even in recent years image-based search engine has been developed. However,

because of the result of these methods is limited and less satisfying than text-based search, it requires a method

that able to combines text and image-based search. In addition, a set of datasets with large and highly

heterogeneous, requiring a method that able to regulate the use of textual information. Therefore, this study

proposed a new method on image and text retrieval with textual search based on Information Gain (IG), Latent

Semantic Analysis (LSA), and Weighted Tree (W-Tree) similarity in English, France, and German. At the first

stage, LSA is used to find semantic relations on textual information and the IG to regulate the use of textual

information. Furthermore, performed a process of forming and matching between database W-Tree and user

queries W-Tree. The system will show a list of documents and their output value of similarity. From experiments

on the dataset as much as 28,550, textual search based on LSA, IG, and W-Tree similarity able to increase the

Mean Average Precision 30% compared to LSA and W-Tree similarity, and 117% compared to visual search

only.

Keywords: text and image retrieval, LSA, W-tree, information gain.

PENDAHULUAN

Berbagai macam jenis informasi dalam

jumlah besar terakumulasi di internet setiap

harinya, dan jumlahnya juga semakin

bertambah setiap hari. Maka dari itu perlu

dilakukan automatisasi sebagai cara untuk

mendapatkan akses informasi yang lebih efektif

dan efisien [1]. Salah satu cara pencarian

informasi diinternet secara efektif adalah

pencarian berdasarkan informasi teks yang

dapat ditemukan pada hampir semua mesin

pencari. Dan faktanya, pencarian berdasarkan

informasi teks ini memiliki hasil yang cukup

baik untuk citra dengan anotasi teks seperti

nama entitas, manusia, objek, atau tempat,

namun pencarian seperti ini tidak dapat bekerja

baik pada anotasi teks yang bersifat umum.

Pencarian berbasis anotasi teks jarang

menggambarkan background setting atau

gambaran visual, seperti warna, tekstur, bentuk,

dan juga ukuran dari objek. Selain itu,

pencarian berbasis teks pada konten non

tekstual tidak terstruktur seperti video, audio,

dan juga citra, tidak sebagus dan seefektif

pencarian pada dokumen tekstual [2] [3].

Berlandaskan keterbatasan tersebut,

pencarian tekstual saja tidak cukup untuk

melakukan pencarian gambar atau juga konten

multimedia lainnya. Sehingga perlu adanya

penggabungan pencarian tekstual dengan teknik

yang mempertimbangkan fitur visual. Saat ini

diketahui adanya peningkatan ketertarikan yang

cukup pesat terhadap sistem yang tidak hanya

dapat menyimpan informasi citra tetapi juga

linked text (metadata). Bahkan ide ini telah

dibuktikan dalam berbagai forum dan

konferensi ilmiah pada beberapa tahun

belakangan [4].

Salah satu cara untuk memperdalam

makna teks pada citra adalah penggunaan

model kemiripan tekstual yang seringkali

mengalami kendala pada sisi leksikal. Solusi

tersebut adalah dibangun sebuah model

kemiripan berdasarkan metode Latent Semantic

Analysis (LSA) dan Weighted tree (W-Tree )

yang terbukti mampu menangani kelemahan

leksikal. LSA dan W-Tree terbukti efektif

namun pada jumlah data dalam jumlah besar

yang terdiri lebih dari satu bahasa dan dengan

tingkat heterogensi yang tinggi metode tersebut

tidak mampu mengatasi noise yang terjadi.

Oleh karena itu dalam penelitian ini,

diusulkan metode baru pada temu kembali citra

dan teks dengan pencarian tekstual berbasis

Information Gain (IG), LSA, dan W-Tree

similary. Metode ini digunakan pada dataset

sebanyak 28.550 yang terdiri dalam bahasa

Inggris, bahasa Perancis, dan bahasa Jerman.

METODE

Latent Semantic Analysis (LSA) LSA adalah suatu metode dimana

dekomposisi nilai singular digunakan untuk

membentuk generalisasi semantik dari bagian

tekstual. LSA menggunakan fakta bahwa kata-

kata tertentu muncul dalam konteks yang sama

untuk membangun hubungan antara makna dari

kata [5]. Proses tersebut dilakukan dengan

membangun sebuah matriks term-document.

Dalam hal ini masing-masing baris mewakili

kata/term yang unik dan kolomnya mewakili

masing-masing dokumen. Kemudian sel pada

matrik diisi frekuensi kemunculan kata/term

tersebut. Selanjutnya matriks tersebut akan

diproses menggunakan teknik Single Value

Decomposition (SVD).

SVD didasarkan pada sebuah teorema

dalam aljabar linier yang menyatakan bahwa

sebuah matriks persegi dapat dipecah menjadi

perkalian dari tiga matriks : sebuah matriks

orthogonal U, sebuah matriks diagonal S, dan

sebuah matriks transpose dari matriks

orthogonal V. Teorema tersebut dinyatakan

pada persamaan:

Am×n = Um×r . Sr×r. Vr×n,T (1)

dimana UTU = I; VTV = I; kolom dari U adalah

eigenvector orthonormal dari AAT, kolom dari

V adalah eigenvector orthonormall dari ATA,

dan S adalah sebuah matriks diagonal yang

berisi akar dari nilai eigenvalue dari U atau V

dalam urutan dari besar ke kecil.

Pada penelitian ini, implementasi

perhitungan SVD memanfaatkan package

LingPipe dari Java [6].

Information Gain Information gain adalah sebuah

pengukuran berdasarkan entropi dari sistem,

yaitu disorder degree dari sistem [7].

Pengukuran ini mengindikasikan pada apa

entropi sistem secara keseluruhan berkurang jika

diketahui nilai dari atribut tertentu (cabang pada

kasus yang diangkat). Sehingga, dapat

ditunjukkan bagaimana seluruh sistem

terhubung pada sebuah atribut. Dengan kata

lain, seberapa banyak informasi pada atribut

berkontribusi kepada sistem. Persamaan untuk

menghitung IG adalah:

,|| ECHCHECIG (2)

dimana IG(C|E) adalah information gain dari

cabang atau atribut E, H(C) adalah sistem

entropi dan H(C|E) adalah entropi relatif

terhadap sistem ketika nilai cabang dari E

diketahui.

Entropi terhadap sistem

mengindikasikan disorder degree dengan

persamaan:

|C|

1i

)ip(c2)logip(cCH , (3)

dimana p(ci) adalah nilai probabilitas terhadap i.

Berikut adalah persamaan entropi relatif:

,||

1

)|(2log)|(||

1

)(|

C

ijeicpjeicp

E

ijepECH

(4)

dimana p(ei) adalah nilai probabilitas i terhadap

atribut e, dan p(ci|ej) adalah probabilitas ci

terhadap ej.

Weighted Tree Similarity

Weighted Tree Similarity pada dasarnya

merupakan metode untuk mengetahui kemiripan

kebutuhan antara buyer dan seller dengan

menggunakan Weighted Tree sebagai

representasi informasinya.

Struktur Weighted Tree

memperkenalkan konsep node berlabel, arc

berlabel, dan arc berbobot yang

merepresentasikan relasi parent – child dari

suatu atribut produk / jasa. Informasi semantik

dikandung tidak hanya pada label node tetapi

juga pada label arc.

Sedangkan bobot arc merepresentasikan

tingkat kepentingan (importance) dari suatu arc

(atribut produk/jasa). Berikut dijabarkan definisi

Weighted Tree secara bertahap mulai dari tree

yang paling sederhana hingga tree yang telah

sempurna berbentuk struktur Weighted Tree.

Contoh Weighted Tree dengan cabang

berlabel dan berbobot ditampilkan pada

Gambar 1.

Gambaran Dataset Pengujian

Dalam penelitian ini, dataset yang

digunakan adalah metadata yang memiliki citra

dan teks yang saling berkesuaian oleh CLEF

(Cross-Language Evaluation Forum) pada tema

khusus yaitu Wikipedia Retrieval. Tema ini

dikenal sebagai ImageCLEF 2010 Wikipedia

Collection. Dataset percobaan terdiri dari

ImageCLEF Wiki 2010 terdiri dari 28.550 citra

beserta annotasi teks dalam bentuk xml seperti

pada

Gambar 2.

Adapun sebaran dataset tersaji dalam

. Sebaran tersebut menunjukkan anotasi

teks dalam ImageCLEF 2010 Wikipedia sangat

heterogen, dengan hampir 3% dari dataset yang

memiliki anotasi pada ketiga bahasa, 16% pada

dua bahasa, 45% pada satu bahasa, dan 1.5%

tidak terdapat keterangan. Adapun bagian yang

digunakan untuk pengujian adalah description,

caption, dan juga comment yang berada pada

anotasi bahasa Inggris (en), bahasa Jerman (de),

dan bahasa Perancis (fr) saja. Untuk bagian

yang lain tidak dimasukkan dalam pengujian.

Arsitektur Sistem

Pada sistem yang digagas, ada 3 tahapan

yaitu preprocessing, pencarian, dan

penggabungan. Proses tersebut seperti pada

Gambar 3.

Gambar 1. Tree dengan label dan bobot.

Tabel 1. Sebaran anotasi teks dataset

Bahasa Jumlah

Inggris 5666

Jerman 4080

Perancis 3144

Inggris + Jerman 1760

Inggris + Perancis 1648

Jerman + Perancis 1128

Inggris + Jerman + Perancis 778

Tanpa Anotasi 385

Gambar 2. Salah satu dataset yang terdiri dari citra dan teks.

CBIR System (GIFT)

1. Local Colour2. Global Colour,3. Local Texture

4. Global Texture

Image Dataset

List of Relevant Document

(Lv)

Chancellery in Berlin, since 2001 (en)Bundeskanzleramtsgebäude in Berlin (de)

La chancellerie (fr)

LSAInformation

Gain

Text Dataset

Image Query Tekstual Query

1. Document Vector 2. Scales

3. Term Vector

W-TreeList of Relevant

Document(LT)

Merging both list

List of Relevant Document

(Lfinal)

Gambar 3. Arsitektur sistem.

Preprocessing

Untuk dapat menganalisa strategi

pengabungan yang akan dilakukan, dua

percobaan dilakukan. Pertama berdasarkan citra

dan yang kedua berdasarkan tekstual [8].

Pada pemrosesan citra, setiap citra

diproses dengan menggunakan sistem CBIR

bernama GIFT1. Sistem ini menggunakan

empat fitur pada proses retrieval-nya. Fitur

yang dipakai GIFT adalah local color, global

color, local texture, dan global texture.

Pada pemrosesan tekstual, dilakukan

stemming dengan menggunakan snowball

stemmer untuk bahasa Inggris, bahasa Perancis,

dan bahasa Jerman pada setiap dokumen.

Setelah itu diproses dengan metode LSA untuk

mendapatkan Term Document Metric.

Selanjutnya, dengan SVD didapatkan document

vector, term vector, dan scales.

Pencarian Dokumen Tekstual Dan Visual

Pada pencarian visual, setelah

dilakukan ekstraksi fitur, dilakukan pencocokan

dengan dataset citra. Hasil yang didapat pada

pencarian visual berkisar pada 0 s/d 1. Semakin

mendekati 1 berarti citra yang ditampilkan

semakin mirip dengan citra user. Dokumen

hasil dari pencarian visual diberikan notasi LV.

Untuk efektifitas, hanya 1000 dokumen dengan

nilai relevansi teratas saja yang diambil.

Pada pencarian tekstual, setelah

dilakukan perhitungan dengan LSA dan

didapatkan document score (nilai kemiripan),

pada setiap cabang dan pada setiap kombinasi

bahasa (en, de, fr, en+de, en+fr, de+fr,

en+de+fr).

Permasalahan yang muncul ketika

dilakukan penggabungan bahasa adalah

memilih nilai document score (kemiripan) yang

tepat jika ada lebih dari 1 nilai. Untuk memilih

document score digunakan nilai maksimal

seperti pada persamaan berikut: ),_(max

jijscoredoc

is

(5)

dimana i adalah cabang (description, comment,

caption) dan j adalah kombinasi bahasa(en, de,

fr, en+de, en+fr, en+de+fr).

Setelah document score didapatkan,

maka dilakukan pemisahan cabang berdasarkan

IG. Cabang dengan IG tertinggi menjadi C1, 2

cabang tertinggi menjadi C2, dan seluruh

cabang tanpa memperhitungkan nilai IG yaitu

C3 (W-Tree).

Penggabungan Hasil Pencarian Untuk menggabungkan hasil pencarian

tekstual dan visual, dilakukan beberapa

percobaan dengan berat pada hasil pencarian

visual dan tekstual. Rumus yang digunakan

untuk menggabungkan kedua hasil pencarian

sebagai berikut:

,1 visualtextTOTAL RSVRSVRSV(6)

dimana α ϵ [0, 1] adalah nilai yang diberikan

pada RSV tekstual terhadap RSV visual. Total

percobaan yang dilakukan adalah 9 dimana

nilai α = {0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8,

0.9} ditambah tekstual saja α = 1 dan visual

saja α = 0.

Pengukuran Efektifitas Sistem Untuk mengukur seberapa efektif

sistem yang digagas, digunakan mean average

precision (MAP). Secara geometri, MAP

berada dibawah area grafik recall – precision.

MAP memberikan informasi lebih

banyak dari pengukuran lain seperti precision

ataupun R-precision, dan oleh karena itu, lebih

efektif dan dapat memberikan hasil dengan

stabilitas lebih baik [9].

Untuk mendapatkan nilai MAP,

digunakan TREC_EVAL2 yang sudah terbukti

dapat melakukan evaluasi dengan batasan

precision dan recall untuk menilai performa

temu kembali informasi [10].

HASIL DAN PEMBAHASAN

Tujuan utama dilakukan percobaan ini

adalah menunjukkan bahwa dengan

penggunaan cabang dengan nilai IG tertinggi

lebih baik daripada menggunakan seluruh

cabang yang ada. Untuk itu digunakan dataset

seperti pada Tabel 2.

Adapun proses pencarian yang

dilakukan terbagi menjadi pencarian visual,

pencarian tekstual, dan penggabungan

pencarian visual dan tekstual.

Pencarian Visual Pada Tabel 2, query dengan indeks Q2,

Q3, Q4, dan Q5 pada sistem pencarian visual

mampu mendapatkan hasil yang sesuai.

Beberapa studi yang telah dilakukan

menunjukkan bahwa MAP yang didapatkan

tidak jauh berbeda dengan yang telah dilakukan

seperti yang pada penelitian [11] yaitu dengan

MAP 0.0003.

Pada pencarian visual ini masih

terdapat kegagalan dalam proses pencarian citra

roller coaster. Dimana hasil pencarian tidak

menemukan citra yang sesuai dengan query.

Hal ini dikarenakan pencarian visual yang

menggunakan fitur color dan texture tidak

dapat menemukan dokumen yang sesuai

dengan citra query. Fitur color dan texture tidak

menjadi fitur yang dapat menemukan kemiripan

yang baik sehingga tidak didapat hasil

pencarian yang sesuai.

Salah satu cara yang dapat meningkat

presisi hasil pencarian visual adalah

menambahkan salah satu fitur yaitu tepi (edge)

yang terbukti pada penelitian yang telah

dilakukan [12].

Pencarian Tekstual Pada pencarian tekstual digunakan

metode LSA+IG+W-Tree similarity. Adapun

metode pembanding untuk menguji kehandalan

metode pencarian yang diusulkan adalah

metode LSA+W-Tree similarity. Dimana

metode LSA+W-Tree similarity tersebut pada

penelitian sebelumnya terbukti efektif dengan

mampu meningkatkan performa pencarian

sebesar 50% dari metode W-Tree similarity

[13] .

Tabel 2 menunjukkan hasil pencarian

bahwa dengan menggunakan metode LSA dan

W-Tree similarity pada cabang dengan nilai IG

tertinggi (C1 atau C2) mampu memberikan

hasil yang lebih relevan dari metode LSA+W-

Tree saja (C3). Hal ini dibuktikan dari

pencarian tekstual dengan metode LSA+IG+W-

Tree similarity mampu memberikan kenaikan

rata-rata MAP sebesar 30% dibanding metode

LSA+W-Tree similarity.

Selain itu, pencarian tekstual dengan

menggunakan metode LSA+IG+W-Tree saja

juga terbukti lebih unggul dari pencarian visual

saja dimana terjadi peningkatan MAP sebesar

71%. Selain itu, dari 5 query yang diujikan,

metode LSA+IG+W-Tree terbukti mampu

memberikan hasil yang lebih memuaskan

karena memberikan 3 hasil pencarian dengan

MAP > 0 dibanding LSA+W-Tree yang hanya

memberikan 2 hasil pencarian dengan MAP >

0.

Beberapa penelitian sebelumnya telah

membuktikan bahwa penggunaan cabang yang

hanya memberikan kontribusi lebih kepada

sistem terbukti mampu memberikan hasil yang

lebih relevan dari pada menggunakan seluruh

cabang tanpa memperhatikan kontribusi

terhadap sistem [14].

Pada proses pencarian tekstual ini juga

terdapat kegagalan pencarian yaitu proses

pencarian pada query dengan indeks Q2 dan Q5

yang mendapatkan hasil MAP 0. Hal ini

dikarenakan kata-kata dalam query user tersebut

hanya ditemukan dalam 1 dokumen 28.550

dokumen. Dalam konsep semantik, kata tersebut

diabaikan karena tidak memberikan informasi

tentang relasi antar dokumen [5].

Tabel 1. Query yang digunakan

Query Koleksi

Indeks Citra Teks relevan

Q1

en roller coaster wide shot

8 de Weitwinkelaufnahme von

Achterbahnen

fr plan large d'une montagne russe

Q2

en skeleton of dinosaur

10 de Dinosaurierskelette

fr squelette de dinosaure

Q3

en chinese characters

22 de chinesische Schriftzeichen

fr caractères chinois

Q4

en male color portrait

10 de männliches Farbporträt

fr portrait masculin en couleur

Q5

en yellow flames

7 de gelbe Flammen

fr flamme jaune

Tabel 2. MAP hasil pencarian tekstual dan visual

Indeks

Jumlah

Dokumen

Relevan

MAP (x 10-2)

Visual Tekstual

C1 C2 Max(C1,C2) C3

Q1 8 0 0.03 0 0.03 0

Q2 10 0.01 0 0 0 0

Q3 22 0.02 0.01 0 0.01 0.01

Q4 10 0.1 0 0.2 0.2 0.17

Q5 7 0.01 0 0 0 0

Rata-rata 0.028

0.048 0.036

Gambar 4. Hasil penggabungan informasi visual dan

tekstual

Tabel 3. Hasil penggabungan informasi visual dan

tekstual

Similarity (%) Q3 (x 10-2) Q4 (x 10-2)

Tekstual Visual

LSA LSA LSA LSA

IG W-

Tree IG

W-

Tree

W-

Tree

W-

Tree

100 0 0.01 0.01 0.04 0.04

0 100 0.02 0.02 0.1 0.1

10 90 0.03 0.03 0.22 0.2

20 80 0.03 0.03 0.25 0.22

30 70 0.03 0.03 0.22 0.19

40 60 0.03 0.02 0.23 0.19

50 50 0.03 0.02 0.26 0.21

60 40 0.03 0.02 0.28 0.21

70 30 0.03 0.02 0.27 0.2

80 20 0.03 0.02 0.18 0.14

90 10 0.03 0.02 0.11 0.09

Rata-rata: 0.03 0.02 0.22 0.18

Tabel 4. Perbandingan MAP visual, tekstual, dan

penggabungan

Indeks Visual

(x 10-2)

Tekstual + Visual

(x 10-2)

LSA

IG

W-Tree

LSA

W-Tree

Q3 0.02 0.03 0.02

Q4 0.1 0.22 0.18

Rata-rata: 0.06 0.13 0.1

Penggabungan Pencarian Visual dan

Tekstual Setelah didapatkan daftar dokumen

yang relevan berdasarkan fitur visual dan fitur

tekstual dengan nilai MAP tertinggi,

selanjutnya dilakukan penggabungan dengan

persamaan (6).

Pada Tabel 2, query dengan indeks Q1,

Q2, dan Q5 tidak digunakan untuk

penggabungan informasi visual dan tekstual.

Hal ini dikarenakan untuk dapat dilakukan

penggabungan diperlukan informasi visual dan

tekstual dengan nilai MAP > 0.

Sementara query indeks Q3 dan Q4

dapat digunakan untuk penggabungan karena

nilai kemiripan visual dan tekstual

mendapatkan hasil MAP > 0.

Pada proses penggabungan query

indeks Q3 memiliki nilai MAP yang lebih stabil

dengan query indeks Q4 karena perbedaan

kemiripan tekstual dan visual query indeks Q3

lebih kecil dari query indeks Q4. Semakin kecil

perbedaan kemiripan visual dan tekstual, akan

menghasilkan hasil pengabungan yang semakin

stabil dimana indikasi tersebut juga telah

disampaikan pada penelitian sebelumnya [14].

Hasil penggabungan dengan nilai MAP

maksimum pada query dengan indeks Q4

didapat pada 60% kemiripan tekstual dan 40%

kemiripan visual seperti pada Tabel 4. Nilai

penggabungan visual dan tekstual tersebut pun

sama seperti yang telah didapatkan pada

penelitian sebelumnya [14].

Adapun hasil penggabungan informasi

tekstual dengan visual menunjukkan nilai

relevansi lebih dari 117% dibanding pencarian

visual saja seperti pada Tabel 5. Kenaikan MAP

yang diperoleh ini lebih besar dari kenaikan

penelitian sebelumnya yaitu sebesar 90% [14].

Hasil percobaan pada Tabel 4

menunjukkan temu kembali citra dan teks

dengan metode pencarian tekstual LSA+IG+W-

Tree similarity mendapatkan MAP 30% lebih

tinggi dari metode LSA+W-Tree similarity.

Beberapa studi empiris menunjukkan

bahwa dengan mempertimbangkan kontribusi

elemen terhadap sistem secara keseluruhan

menggunakan IG dapat memberikan hasil yang

lebih memuaskan seperti pada penelitian yang

telah dilakukan [15].

SIMPULAN Pada sistem ini diusulkan

pendekatan baru dengan metode pencarian

menggunakan LSA, IG, dan W-Tree

similarity yang dapat membantu

meningkatkan relevansi hasil temu

kembali citra dan teks.

Pada penelitian ini terbukti bahwa

dengan penggabungan informasi visual

dan tekstual menghasilkan pencarian yang

lebih baik dari pencarian visual saja.

Peran IG dalam pencarian tekstual

berbasis LSA dan W-Tree similarity juga

memberikan efek positif yaitu dengan

meningkatkan relevansi hasil pencarian.

Dengan menggunakan cabang

yang memberikan kontribusi lebih besar

pada sistem serta terbukti mampu

memberikan MAP lebih tinggi dari pada

menggunakan seluruh cabang tanpa

memperhatikan kontribusi cabang tersebut

terhadap sistem.

DAFTAR PUSTAKA

[1] Hsin C. F., Yeong. Y. X., & Hsiao T.

P., 2005, "Multimodal Search for

Effective Image Retrieval".

[2] Kherfi M.L. Bernardi D.Z.A, 2004,

"Image retrieval from the world wide

web: issues, techniques, and systems,"

ACM Computing Surveys 36 (1), pp.

35-67.

[3] He R., Xiong N.,Yang L. T, 2011,

"Using Multi-Modal Semantic

Association Rules to fuse keywords and

visual features automatically for Web

image retrieval," Information Fusion

12, pp. 223–230.

[4] Quack T., Monich U., Thiele L,

Manjunath B.S., 2004, "Cortina: A

System for Largescale, Content-based

Web Image Retrieval," Electrical and

Computer Engineering Department,

University of California.

[5] Landauer T., Foltz P., Laham D., 1998,

"Introduction to Latent Semantic

Analysis. Discourse Processes".

[6] SVD Tutorial. [Online]. 2008

http://alias-i.com/lingpipe/demos/tutori

al/svd/read-me.html

[7] Shannon C. E, 1998."A Mathematical

Theory of Communication," The Bell

System Technical Journal, pp. 379–423,

623–656.

[8] GNU Software. GNU. [Online].

http://www.gnu.org/software/gift/

[9] Buckley C., Voorhees E. M., 2008

"Evaluating evaluation measure

stability," In Proceeding of the 23rd

annual international ACM SIGIR

conference on research and

development in information retrieval,

pp. 33-40.

[10] Eckard E., Chappelier J.C., 2007, "Free

Software for research in Information

Retrieval and Textual Clustering".

[11] Tsikrika T., Muller H., Forner P. , 2011

"Report on outcomes of first year

evaluation activities," Participative

Research Laboratory for Multimedia

and Multilingual Information System

Evaluation, D6.1.

[12] Anil J., Aditya V., 1998, "Shape-

Based Retrieval: A Case Study with

Trademark Image Databases," in

Pattern Recognition, pp. 1369-1390.

[13] Sa'adah U., Sarno R., Yuhana U.L,

2012, "Metode Latent Semantic

Analysis dan Algoritma Weighted Tree

Similarity untuk Pencarian Berbasis

Semantic," Program Studi Magister

Jurusan Teknik Informatika ITS.

[14] Martın-Valdivia M.T., Dıaz-Galiano

M.C., Montejo-Raez A., Urena-Lopez

L.A., 2008, "Using information gain to

improve multi-modal information

retrieval systems," ELSEVIER

Information Processing and

Management, pp. 1146-1158

[15] Lee W., Xiang , 2001,"Information-

Theoritic Measure for Anomaly

Detection," in IEEE Symposium on

Security and Privacy.