ABSTRAKSI: Dewasa ini teknik Information Retrieval telah berkembang luas dengan dikembangkannya banyak model untuk menghasilkan tingkat relevansi yang lebih baik. Sistem Information Retrieval yang baik memiliki tingkat relevansi yang bisa diterima oleh pengguna. Untuk dapat menghasilkan nilai relevansi yang tinggi, maka salah satu caranya, sistem ini perlu menerapkan metode perangkingan yang baik dan teruji. Pada Tugas Akhir ini perangkingan ditentukan oleh relevansi yang diukur dengan parameter precision dan recall yang diimplementasikan pada Latent Semantic Indexing menggunakan dua metoda dekomposisi yaitu Singular Value Decomposition (SVD) dan Semi Discrete Decomposition (SDD), sehingga untuk mengukur kinerjanya perlu diimplementasikan ke dalam perangkat lunak untuk kemudian diuji parameternya.
LSI mempunyai kemampuan untuk menemukan dokumen yang relevan walau tidak mengandung term dari query yang diinputkan akan tetap terambil. Analisis dilakukan dengan melakukan uji coba terhadap koleksi dokumen untuk mengetahui kemampuan LSI tersebut dan untuk mengetahui perbandingan akurasi dua metode dekomposisi matriks SVD dan SDD. Parameter yang digunakan untuk mengukur akurasi yaitu storage, waktu, recall, precision, Mean Average Precision (MAP.)
Hasil pengujian dari tugas akhir ini menunjukkan bahwa LSI terbukti bisa menemukan dokumen yang relevan walau tidak mengandung term dari query yang diinputkan akan tetap terambil. Sementara itu, SVD memiliki precision dan recall yang lebih baik dari SDD. SDD memiliki keunggulan dalam ruang penyimpanan matrix yang jauh lebih kecil dan waktu eksekusi query yang lebih cepat dari SVD.Kata Kunci : Information Retrieval, Latent Semantic Indexing (LSI), Singular Value Decomposition(SVD), dan Semi Discrete Decomposition(SDD).ABSTRACT: Now a days Information retrieval has been developed widely along with the development of the model of getting a better result in relevancy. An information retrieval system is said to be better when it has a high relevancy level that is acceptable by a user. One of the way to reach that is to implement a better and tested rangking method. In this final project the rangking is measured by a parameter called precision and recall as a result of Latent Semantic Indexing using two methods which are Singular Value Decomposition (SVD) and Semi Discrete Decomposition (SDD).
LSI has the ability to find relevant documents even if the word of the query are not in written in the document.we analyzed the ability of LSI by testing a document collection and we also compared the accuration of the matrices decomposition of the two method used. We used storage, time, recall, and precision, and Mean average Precision (MAP) as the parameter to measure the accuracy of the system.
The tested result of this final project proved that LSI can find relevant document even if the words in the query did not exist in the document. Beside that SVD has a better precision and recall from SDD. SDD has a better performance in terms of smaller size used to save the matrices and time query execution faster from SVD.Keyword: Information Retrieval, Latent Semantic Indexing (LSI), Singular Value Decomposition (SVD) and Semi Discrete Decomposition (SDD).