Abstrak

Banyaknya informasi di bidang akademis meliputi publikasi dan karya para pakar (ahli), diiringi dengan tingginya kebutuhan pengguna untuk mengakses informasi informasi tersebut menuntut adanya sebuah sistem temu kembali informasi (information retrieval) yang baik dan optimal. Dalam pencarian pakar, jika seorang pengguna memasukkan suatu kueri yakni sebuah pernyataan kebutuhan informasi, maka sistem harus mampu menampilkan hasil berupa dokumen yang benar dan relevan. Salah satu cara agar pengguna bisa melakukan pencarian informasi secara cepat, tepat dan mudah adalah dengan melakukan pengurutan dokumen (ranking). Untuk mengatasi masalah pengurutan dokumen maka dibutuhkan mesin pembelajaran (machine learning) yaitu sebuah sistem yang dapat belajar dari data historis sehingga menjadi cerdas. Sebuah metode yang menggunakan teknologi mesin pembelajaran dengan tujuan untuk membangun model pengurutan dokumen dari data pembelajaran secara otomatis sehingga diperoleh urutan informasi data yang memiliki relevansi optimal disebut dengan metode learning-to-rank (Abdillah & Murfi, 2015).
Penelitian ini dilakukan untuk mencari tahu bagaimana melakukan tahapan-tahapan studi eksperimental learning-to-rank pencarian pakar. Tahapan-tahapan yang harus dilalui antara lain pengumpulan data, pemilihan fitur, pra proses data, ekstraksi data ke bentuk numerik dan evaluasi. Dalam tahapan pra proses data yakni melakukan tokenisasi, pembuangan stopwords, stemming dan pembobotan kata, penulis menggunakan aplikasi RapidMiner. Dan dalam tahapan evaluasi, penulis menggunakan 2(dua) algoritma yaitu Coordinate Ascent dan LambdaMART serta model evaluasi yaitu MAP dan P@n dengan menggunakan program Ranklib.

Kata Kunci : information retrieval, learning-to-rank, expert finding, expertise, machine learning, text mining, text-pre processing, ranklib
Daftar Pustaka : 20 Jurnal, 12 Buku, 12 Conference Proceeding dan 9 Halaman Web