PENERAPAN LATENT SEMANTIC INDEXING PADA PROSES KNOWLEDGE RETRIEVAL DALAM PENGEMBANGAN KNOWLEDGE MANAGEMENT SYSTEM

摘要

Agar sebuah Knowledge Management System (KMS) dapat diaplikasikan dengan baik, proses knowledge retrieval pada KMS harus berjalan dengan efektif. Namun, pengetahuan organisasi yang tersimpan pada sebuah KMS dapat bersifat terstrukstur dan tidak terstruktur. Peran Information Retrieval (IR) pada KMS menjadi sangat penting, sebab jika hanya mengandalkan keyword atau regex rules untuk menemukan kembali pengetahuan organisasi, maka jumlah aturan yang dibuat akan sangat banyak dan unscalabale seiring dengan lingkup pengetahuan tersimpan yang semakin membesar. Penelitian ini bertujuan untuk menerapkan Latent Semantic Indexing (LSI) pada proses knowledge retrieval dalam pengembangan KMS. Implementasi LSI yang dilakukan terdiri dari 4 tahapan, yaitu: (i) pemrosesan teks, yang terdiri dari proses tokenization, filtering, dan stemming, (ii) pembangunan LSI, dan (iii) formulasi query (iv) evaluasi dan perhitungan performansi. Pengetahuan organisasi yang digunakan sebagai koleksi dokumen untuk membangun index merupakan data dokumen penelitian dan skripsi prodi Ilmu Komputer dan Pendidikan Ilmu Komputer. Hasil perhitungan performansi dan evaluasi menunjukan hasil yang cukup baik, dengan MAP sebesar 77.90% pada scenario r = 120 dan rata-rata presisi sebesar 83.33% pada skenario nilai r = 90.; To be well applicated Knowledge Management System (KMS), knowledge retrieval process on KMS must be performed effectively. However, organizational knowledge stored in KMS can be structured and unstructured. Information Retrieval (IR) role on knowledge retrieval process become very important because if it only rely on keywords or regex rules, then the number of rules woul be very large and unscalable while stored knowledge scope is getting bigger. This study purpose is to implement latent semantic indexing (LSI) on knowledge retrieval process in KMS development. LSI implementation consist of 4 phases, that is : (i) text processing, which consist of tokenization, filtering, and stemming process (ii) LSI building (iii) query formulation, and (iv) evaluation and performance calculation. This study uses thesis and research documents of Computer Science and Computer Science Education Major in UPI as organizational knowledge to be document collection for index building. Performance calculation and evaluation result indicate good outcome, with MAP around 77.90% on scenario r = 120 and average precision 83.33% on scenario r = 90.